Écarts régionaux dans le fardeau économique attribuable au surplus de poids, à la sédentarité et à l’usage du tabac en Colombie-Britannique
Bibliographic record
Abstract
Introduction Les taux de prévalence du surplus de poids, de l’usage du tabac et de la sédentarité varient sensiblement d’une région à l’autre en Colombie-Britannique (C.-B.). La présente étude vise à déterminer la portée d’une éventuelle réduction du fardeau économique en C.-B. si toutes les régions de la province atteignaient des taux de prévalence équivalents à ceux de la région dont les taux sont les plus bas pour ces trois facteurs de risque. Méthodologie Nous avons utilisé une approche élaborée précédemment fondée sur la fraction étiologique du risque pour estimer le fardeau économique associé aux divers facteurs de risque. Le risque relatif selon le sexe et les données de prévalence selon l’âge et le sexe ont été utilisés dans la modélisation. Résultats Le fardeau économique annuel attribuable à ces trois facteurs de risque en C.-B. s’élevait à environ 5,6 milliards de dollars en 2013, la proportion la plus élevée de ce total étant attribuable au surplus de poids (2,6 milliards), suivie de celle de l’usage du tabac (2 milliards). Même si la C.-B. possède des taux de prévalence de ces facteurs de risque plus bas que toute autre province canadienne, il existe d’importants écarts en son sein. Si chaque région de la province devait atteindre les taux de prévalence les plus bas pour les trois facteurs de risque, un fardeau économique de 1,4 milliard (24 % du total de 5,6 milliards) pourrait être supprimé annuellement. Conclusion Il existe des disparités notables dans la prévalence de chacun des facteurs de risque au sein des régions sanitaires de la C.-B., qui se reflètent dans le fardeau économique attribuable à chaque région. Un éventail de facteurs sociaux, environnementaux et économiques expliquent probablement une partie de ces écarts géographiques, et ces facteurs sous-jacents devraient être pris en compte lors de la mise en place de programmes de prévention.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".