Disparités socioéconomiques et spatiales dans les décès attribuables au suicide chez les jeunes et aux blessures non intentionnelles en Colombie-Britannique (2009-2013)
Bibliographic record
Abstract
Introduction Sachant que l’association entre l'état de santé et le statut socioéconomique (SSE) est largement documentée et que les blessures non intentionnelles continuent de se classer parmi les principales causes de décès chez les Britanno-Colombiens, nous avons voulu quantifier les disparités liées au SSE dans les taux de mortalité associés à trois secteurs prioritaires pour la Colombie-Britannique en matière de prévention des blessures : le suicide chez les jeunes, les blessures liées aux chutes chez les aînés et les blessures liées au transport. Méthodologie Nous avons jumelé les données liées aux décès (2009 à 2013) tirées des statistiques de l’état civil et des données socioéconomiques de CensusPlus de 2011 à l’échelle de l’aire de diffusion ou de la circonscription sanitaire afin d'étudier les taux de mortalité normalisés selon l’âge (TMNA) et les disparités des TMNA concernant les blessures non intentionnelles et leurs sous-types, notamment les blessures liées aux chutes chez les aînés (65 ans et plus) et les blessures liées au transport, ainsi que le suicide chez les jeunes (15 à 24 ans), ce dernier étant considéré comme une forme de blessure intentionnelle. Nous avons étudié les disparités spatiales et les disparités selon le sexe et nous avons mesuré les disparités relatives et absolues entre les zones moins favorisées et les zones plus favorisées en fonction des quintiles de revenu, de scolarité, d’emploi, de défavorisation matérielle et de défavorisation sociale. Résultats Notre étude a mis en évidence d’importantes différences entre les sexes en matière de taux de mortalité attribuable au suicide chez les jeunes, à des blessures liées aux chutes chez les aînés et à des blessures liées au transport, les hommes affichant des taux de mortalité beaucoup plus élevés que les femmes. Nous avons également observé des variations spatiales notables dans les TMNA pour l’ensemble des blessures non intentionnelles à l’échelle de la province. En général, la population vivant dans des zones où les revenus étaient faibles et où la défavorisation matérielle était importante a affiché des taux de mortalité plus élevés que la population vivant dans des zones favorisées. Conclusion Le repérage de différences importantes dans les taux de mortalité liée à des blessures intentionnelles et non intentionnelles entre les sexes et en fonction du SSE ouvre des possibilités quant à l’élaboration de stratégies de prévention ciblées pour réduire ces disparités.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".