Long-Run Macroeconomic Determinants of Cancer Incidence
Notice bibliographique
Résumé
Background: Understanding how cancer incidence evolves during economic growth is useful for forecasting the economic impact of cancerous diseases, and for governing the process of resources allocation in planning health services. We analyse the relationship between economic growth and cancer incidence in order to describe and measure the influence of an increasing real per capita income on the overall rate of cancer incidence. Method: We test the relationship between real per capita income and the overall rate of cancer incidence with a cross-sectional analysis, using data from the World Bank and the World Health Organization databases, for 165 countries in 2008. We measure the elasticity of cancer incidence with respect to per capita income, and we decompose the elasticities coefficients into two components: age-effect and lifestyle-effect. Results: An Engel’s model, in a double-log quadratic specification, explains about half of the variations in the age-standardised rates and nearly two thirds of the variations in the incidence crude rates. All the elasticities of the crude rates are positive, but less than one. The income elasticity of the age-standardised rates are negative in lower income countries, and positive (around 0.25 and 0.32) in upper middle and high income countries, respectively. Conclusions: These results are used to develop a basic framework in order to explain how demand-side economic structural changes may affect the long run evolution of cancer incidence. At theoretical level, a J-Curve is a possible general model to represents, other things being equal, how economic growth influence cancer incidence.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».