Partial Cancer Prevalence in Japan up to 2020: Estimates Based on Incidence and Survival Data from Population-based Cancer Registries
Notice bibliographique
Résumé
Measuring cancer prevalence in Japan has been difficult because population-based cancer registries have been conducted in limited areas. The purpose of this study was to estimate cancer prevalence in Japan from 1995 to 2020 for 5-year periods based on selected population-based cancer registry data. 1-, 2-3-, 4-5- and 5-year partial prevalence were estimated using incidence and survival data. Incidence and survival were calculated using data from selected cancer registries. We estimated the cancer survival by age group, primary site, and sex using the mixture cure fraction model. Kaplan-Meier estimates were applied to subgroups for which the survival did not converge to the estimated model. We projected that 1-year cancer prevalence for all sites would increase from 209 971 to 367 354 for men and from 164 622 to 275 776 for women, that 2-3-year prevalence would increase from 288 284 to 508 731 for men and from 255 684 to 418 630 for women, that 4-5-year prevalence would increase from 216 834 to 379 461 in men and from 211 764 to 342 031 in women, and that 5-year prevalence would increase from 715 089 to 1 255 546 in men and from 632 070 to 1 036 437 in women. This study is the first estimate of cancer prevalence in the future in Japan.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».