Using Direct and Indirect Estimates for Alcohol-Attributable Mortality: A Modelling Study Using the Example of Lithuania
Notice bibliographique
Résumé
Introduction: Comparative risk assessments (CRAs) for alcohol use are based on indirect estimates of attributable harm, and usually combine country-specific exposure estimates and global risk relations derived from meta-analyses. CRAs for Eastern European countries, such as Lithuania, base their risk relations not on global risk relations, but on a large Russian cohort study. The availability of a direct estimate of alcohol-attributable mortality following the 2017 implementation of a large increase in alcohol excise taxes in Lithuania has allowed a comparison of these indirect estimates with a country-specific gold standard. Methods: A statistical modelling study compared direct (predictions based on a time-series methodology) and indirect (predictions based on an attributable-fraction methodology) estimates of alcohol-attributable mortality before and after a large increase in alcohol excise taxes in Lithuania. Specifically, Russia-specific versus global relative risks were compared against the gold standard of time-series based predictions. Results: Compared to direct estimates, indirect estimates markedly underestimated the reduction of alcohol-attributable mortality 12 months post intervention by at least 63%. While both of the indirect estimates differed markedly from the direct estimates, the Russia-specific estimates were closer to the direct estimates, primarily due to higher estimates for alcohol-attributable cardiovascular mortality. Discussion: As all indirect estimates were markedly lower than direct estimates, current overall relative risks and price elasticities should be re-evaluated. In particular, global estimates should be replaced by new regional estimates based on cohort studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».