The burden of cardiovascular diseases (CVDs) remains unclear in many regions of the world. The GBD (Global Burden of Disease) 2015 study integrated data on disease incidence, prevalence, and mortality to produce consistent, up-to-date estimates for cardiovascular burden. CVD mortality was estimated from vital registration and verbal autopsy data. CVD prevalence was estimated using modeling software and data from health surveys, prospective cohorts, health system administrative data, and registries. Years lived with disability (YLD) were estimated by multiplying prevalence by disability weights. Years of life lost (YLL) were estimated by multiplying age-specific CVD deaths by a reference life expectancy. A sociodemographic index (SDI) was created for each location based on income per capita, educational attainment, and fertility. In 2015, there were an estimated 422.7 million cases of CVD (95% uncertainty interval: 415.53 to 427.87 million cases) and 17.92 million CVD deaths (95% uncertainty interval: 17.59 to 18.28 million CVD deaths). Declines in the age-standardized CVD death rate occurred between 1990 and 2015 in all high-income and some middle-income countries. Ischemic heart disease was the leading cause of CVD health lost globally, as well as in each world region, followed by stroke. As SDI increased beyond 0.25, the highest CVD mortality shifted from women to men. CVD mortality decreased sharply for both sexes in countries with an SDI >0.75. CVDs remain a major cause of health loss for all regions of the world. Sociodemographic change over the past 25 years has been associated with dramatic declines in CVD in regions with very high SDI, but only a gradual decrease or no change in most regions. Future updates of the GBD study can be used to guide policymakers who are focused on reducing the overall burden of noncommunicable disease and achieving specific global health targets for CVD.

Summary

Background

 An adequate amount of prepaid resources for health is important to ensure access to health services and for the pursuit of universal health coverage. Previous studies on global health financing have described the relationship between economic development and health financing. In this study, we further explore global health financing trends and examine how the sources of funds used, types of services purchased, and development assistance for health disbursed change with economic development. We also identify countries that deviate from the trends. 

Methods

 We estimated national health spending by type of care and by source, including development assistance for health, based on a diverse set of data including programme reports, budget data, national estimates, and 964 National Health Accounts. These data represent health spending for 184 countries from 1995 through 2014. We converted these data into a common inflation-adjusted and purchasing power-adjusted currency, and used non-linear regression methods to model the relationship between health financing, time, and economic development. 

Findings

 Between 1995 and 2014, economic development was positively associated with total health spending and a shift away from a reliance on development assistance and out-of-pocket (OOP) towards government spending. The largest absolute increase in spending was in high-income countries, which increased to purchasing power-adjusted $5221 per capita based on an annual growth rate of 3·0%. The largest health spending growth rates were in upper-middle-income (5·9) and lower-middle-income groups (5·0), which both increased spending at more than 5% per year, and spent $914 and $267 per capita in 2014, respectively. Spending in low-income countries grew nearly as fast, at 4·6%, and health spending increased from $51 to $120 per capita. In 2014, 59·2% of all health spending was financed by the government, although in low-income and lower-middle-income countries, 29·1% and 58·0% of spending was OOP spending and 35·7% and 3·0% of spending was development assistance. Recent growth in development assistance for health has been tepid; between 2010 and 2016, it grew annually at 1·8%, and reached US$37·6 billion in 2016. Nonetheless, there is a great deal of variation revolving around these averages. 29 countries spend at least 50% more than expected per capita, based on their level of economic development alone, whereas 11 countries spend less than 50% their expected amount. 

Interpretation

 Health spending remains disparate, with low-income and lower-middle-income countries increasing spending in absolute terms the least, and relying heavily on OOP spending and development assistance. Moreover, tremendous variation shows that neither time nor economic development guarantee adequate prepaid health resources, which are vital for the pursuit of universal health coverage. 

Funding

 The Bill & Melinda Gates Foundation.

Achieving universal health coverage (UHC) requires health financing systems that provide prepaid pooled resources for key health services without placing undue financial stress on households. Understanding current and future trajectories of health financing is vital for progress towards UHC. We used historical health financing data for 188 countries from 1995 to 2015 to estimate future scenarios of health spending and pooled health spending through to 2040.We extracted historical data on gross domestic product (GDP) and health spending for 188 countries from 1995 to 2015, and projected annual GDP, development assistance for health, and government, out-of-pocket, and prepaid private health spending from 2015 through to 2040 as a reference scenario. These estimates were generated using an ensemble of models that varied key demographic and socioeconomic determinants. We generated better and worse alternative future scenarios based on the global distribution of historic health spending growth rates. Last, we used stochastic frontier analysis to investigate the association between pooled health resources and UHC index, a measure of a country's UHC service coverage. Finally, we estimated future UHC performance and the number of people covered under the three future scenarios.In the reference scenario, global health spending was projected to increase from US$10 trillion (95% uncertainty interval 10 trillion to 10 trillion) in 2015 to $20 trillion (18 trillion to 22 trillion) in 2040. Per capita health spending was projected to increase fastest in upper-middle-income countries, at 4·2% (3·4-5·1) per year, followed by lower-middle-income countries (4·0%, 3·6-4·5) and low-income countries (2·2%, 1·7-2·8). Despite global growth, per capita health spending was projected to range from only $40 (24-65) to $413 (263-668) in 2040 in low-income countries, and from $140 (90-200) to $1699 (711-3423) in lower-middle-income countries. Globally, the share of health spending covered by pooled resources would range widely, from 19·8% (10·3-38·6) in Nigeria to 97·9% (96·4-98·5) in Seychelles. Historical performance on the UHC index was significantly associated with pooled resources per capita. Across the alternative scenarios, we estimate UHC reaching between 5·1 billion (4·9 billion to 5·3 billion) and 5·6 billion (5·3 billion to 5·8 billion) lives in 2030.We chart future scenarios for health spending and its relationship with UHC. Ensuring that all countries have sustainable pooled health resources is crucial to the achievement of UHC.The Bill & Melinda Gates Foundation.

The amount of resources, particularly prepaid resources, available for health can affect access to health care and health outcomes. Although health spending tends to increase with economic development, tremendous variation exists among health financing systems. Estimates of future spending can be beneficial for policy makers and planners, and can identify financing gaps. In this study, we estimate future gross domestic product (GDP), all-sector government spending, and health spending disaggregated by source, and we compare expected future spending to potential future spending.We extracted GDP, government spending in 184 countries from 1980-2015, and health spend data from 1995-2014. We used a series of ensemble models to estimate future GDP, all-sector government spending, development assistance for health, and government, out-of-pocket, and prepaid private health spending through 2040. We used frontier analyses to identify patterns exhibited by the countries that dedicate the most funding to health, and used these frontiers to estimate potential health spending for each low-income or middle-income country. All estimates are inflation and purchasing power adjusted.We estimated that global spending on health will increase from US$9·21 trillion in 2014 to $24·24 trillion (uncertainty interval [UI] 20·47-29·72) in 2040. We expect per capita health spending to increase fastest in upper-middle-income countries, at 5·3% (UI 4·1-6·8) per year. This growth is driven by continued growth in GDP, government spending, and government health spending. Lower-middle income countries are expected to grow at 4·2% (3·8-4·9). High-income countries are expected to grow at 2·1% (UI 1·8-2·4) and low-income countries are expected to grow at 1·8% (1·0-2·8). Despite this growth, health spending per capita in low-income countries is expected to remain low, at $154 (UI 133-181) per capita in 2030 and $195 (157-258) per capita in 2040. Increases in national health spending to reach the level of the countries who spend the most on health, relative to their level of economic development, would mean $321 (157-258) per capita was available for health in 2040 in low-income countries.Health spending is associated with economic development but past trends and relationships suggest that spending will remain variable, and low in some low-resource settings. Policy change could lead to increased health spending, although for the poorest countries external support might remain essential.Bill & Melinda Gates Foundation.

Abstract Background Cardiovascular disease (CVD) is the leading cause of mortality worldwide, and at present, India has the highest burden of acute coronary syndrome and ST-elevation myocardial infarction (MI). A key reason for poor outcomes is non-adherence to medication. Methods The intervention is a 2 × 2 factorial design trial applying two interventions individually and in combination with 1:1 allocation ratio: (i) ASHA-led medication adherence initiative comprising of home visits and (ii) m-health intervention using reminders and self-reporting of medication use. This design will lead to four potential experimental conditions: (i) ASHA-led intervention, (ii) m-health intervention, (iii) ASHA and m-health intervention combination, (iv) standard of care. The cluster randomized trial has been chosen as it randomizes communities instead of individuals, avoiding contamination between participants. Subcenters are a natural subset of the health system, and they will be considered as the cluster/unit. The factorial cluster randomized controlled trial (cRCT) will also incorporate a nested health economic evaluation to assess the cost-effectiveness and return on investment (ROI) of the interventions on medication adherence among patients with CVDs. The sample size has been calculated to be 393 individuals per arm with 4–5 subcenters in each arm. A process evaluation to understand the effect of the intervention in terms of acceptability, adoption (uptake), appropriateness, costs, feasibility, fidelity, penetration (integration of a practice within a specific setting), and sustainability will be done. Discussion The effect of different types of intervention alone and in combination will be assessed using a cluster randomized design involving 18 subcenter areas. The trial will explore local knowledge and perceptions and empower people by shifting the onus onto themselves for their medication adherence. The proposal is aligned to the WHO-NCD aims of improving the availability of the affordable basic technologies and essential medicines, training the health workforce and strengthening the capacity of at the primary care level, to address the control of NCDs. The proposal also helps expand the use of digital technologies to increase health service access and efficacy for NCD treatment and may help reduce cost of treatment. Trial registration The trial has been registered with the Clinical Trial Registry of India (CTRI), reference number CTRI/2023/10/059095.

Background: Little information exists about the association between alcohol and tobacco use and self-reported depressed mood, such as feeling sad, blue, or depressed days (SBDD), among older adults in India Aim: The aim of this study was to examine the association between alcohol and tobacco use and self-reported depressed mood with SBDD among older adults in India. Methods: This study uses the Longitudinal Aging Study India (LASI) Wave 1 dataset of 10,487 respondents identified with self-reported mood disorders with SBDD. Descriptive statistics, bivariate, and multivariate models were performed. Results: In total, 19.7% of persons above 45 years of age experienced SBDD for 2 weeks during the last 12 months. Compared to nonusers, those who used tobacco or alcohol reported higher symptoms of SBDD. Several factors related to alcohol (e.g., illicit alcohol) and tobacco (e.g., smokeless tobacco) indicate a statistically significant association with the prevalence of prolonged sadness or depression. Conclusion: Analysis of LASI Wave 1 shows that lifestyle choices such as alcohol and tobacco use play a role in the burden and association of negative emotions such as SBDD among older adults in India.

Human rights provide a universal foundation for pursuing justice in public health in order to achieve the dignity of all individuals. In spite of international attempts to promote human rights in the context of health, a significant portion of India's indigenous population continues to have a limited understanding of these rights.

Background Breast cancer represents a significant public health concern in India, accounting for 28% of all cancer diagnoses and imposing a substantial economic burden. This study introduces a novel approach to forecasting the number of breast cancer cases (based on prevalence rates) and estimating the associated economic impact in India using the autoregressive integrated moving average (ARIMA) model. Methods Data on the prevalence of breast cancer in India from 2000 to 2021 were obtained from the Global Burden of Disease (GBD) database. This dataset provided annual estimates of the number of patients with breast cancer, serving as the basis for modeling future prevalence and estimating the economic burden. The ARIMA (Auto-Regressive Integrated Moving Average) model was employed to analyze and predict breast cancer prevalence in India up to the year 2030 (time-series forecasting). Data were visualized and checked for stationarity using the Augmented Dickey-Fuller (ADF) test. Using the autocorrelation function (ACF) and partial autocorrelation function (PACF) plots, the appropriate parameters (p, d, q) were determined. Several ARIMA configurations were tested to identify the model with the best fit. The goodness-of-fit of the model was assessed using standard metrics such as the Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC). The residuals were tested using the Box-Ljung test to confirm the absence of autocorrelation and verify that they followed a white noise distribution. Using the fitted ARIMA model, prevalence rates were forecasted from 2022 to 2030, with 95% confidence intervals to capture prediction uncertainty. Direct costs were calculated based on medical expenses for breast cancer patients, such as hospital visits, diagnostic tests, treatment costs, and follow-up care. A bottom-up approach was applied, which involves aggregating individual cost components from each stage of care to estimate the total direct burden of disease. A bottom-up approach was applied, which involves aggregating individual cost components from each stage of care to estimate the total direct burden of disease. Indirect costs were estimated using the human capital approach, which assesses productivity losses due to morbidity and premature mortality. The Disability-Adjusted Life Years (DALY) associated with breast cancer were also predicted using the ARIMA model. Results The results of coefficient of determination (0.99), mean absolute percentage error (69%), mean absolute error (5229), and root mean squared error (6451.2) showed that the ARIMA (0,2,0) model fitted well. Coefficient of determination (0.99) indicated that 99% of the variance in the data was explained by the model. Akaike information criterion (411.54) and Bayesian information criterion (412.53) indicated the ARIMA (0,2,0) model was reliable when analysing our data. The result of the relative error of prediction (2.76%) also suggested that the model predicted well. The number of patients with breast cancer from 2021 to 2030 was predicted to be about 1.25 million, 1.1.29 million,, 1.34 million, 1.39 million, 1.44 million, 1.48 million, 1.53 million, 1.58 million, 1.63 million, 1.68 million, and respectively. The total economic burden of breast cancer from 2021 to 2030 was estimated to be $8 billion, $8.72 billion, $9.05 billion, $9.84 billion, $10.20 billion, $11.07 billion, $11.49 billion, $12.44 billion, $12.91 billion, $13.95 billion, respectively is estimated to rise significantly. Conclusion Breast cancer prevalence and its economic impact are projected to grow substantially in India. Between 2021 and 2030, the number of breast cancer patients is expected to increase by approximately 0.05 million annually, with an annual increase rate of about 5.6%. The associated economic burden will also rise, averaging an additional $19.55 billion per year, underscoring the need for intensified healthcare and economic strategies to manage this growing challenge.