Cancer net survival on registry data: Use of the new unbiased Pohar‐Perme estimator and magnitude of the bias with the classical methods
Notice bibliographique
Résumé
Net survival, the survival which might occur if cancer was the only cause of death, is a major epidemiological indicator required for international or temporal comparisons. Recent findings have shown that all classical methods used for routine estimation of net survival from cancer-registry data, sometimes called "relative-survival methods," provide biased estimates. Meanwhile, an unbiased estimator, the Pohar-Perme estimator (PPE), was recently proposed. Using real data, we investigated the magnitude of the errors made by four "relative-survival" methods (Ederer I, Hakulinen, Ederer II and a univariable regression model) vs. PPE as reference and examined the influence of time of follow-up, cancer prognosis, and age on the errors made. The data concerned seven cancer sites (2,51,316 cases) collected by FRANCIM cancer registries. Net survivals were estimated at 5, 10 and 15 years postdiagnosis. At 5 years, the errors were generally small. At 10 years, in good-prognosis cancers, the errors made in nonstandardized estimates with all classical methods were generally great (+2.7 to +9% points in prostate cancer) and increased in age-class estimations (vs. 5-year ones). At 15 years, in bad- or average-prognosis cancers, the errors were often substantial whatever the nature of the estimation. In good-prognosis cancers, the errors in nonstandardized estimates of all classical methods were great and sometimes very important. With all classical methods, great errors occurred in age-class estimates resulting in errors in age-standardized estimates (+0.4 to +3.2% points in breast cancer). In estimating net survival, cancer registries should abandon all classical methods and adopt the new Pohar-Perme estimator.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».