Bayesian approach to predicting cancer incidence for an area without cancer registration by using cancer incidence data from nearby areas
Notice bibliographique
Résumé
This paper compares three different methods for performing cancer incidence prediction in an area without a cancer registry under a Bayesian framework, using linear and log-linear age-period models with either age-specific slopes or a common slope across age groups. The three methods assume that a nearby area with a cancer registration has similar incidence and mortality patterns as the area of interest without a cancer registry where the cancer incidence prediction is carried out. The three methods differ in modeling strategies: (i) modeling the incidence rate directly; (ii) modeling the ratio of the number of incident cases to that of mortality cases; and (iii) modeling the difference between the incidence rate and the mortality rate. Strategy (iii) is a new approach in this type of projection. Empirical assessment is made using real data from the cancer registry of Tarragona, Spain, to predict cancer incidence in Girona, Spain, and vice versa. Predictions of short-term (3-4 years) incidence were made for 2001 in Tarragona using observed cancer incidence and mortality data for 1994-1998 from Girona. Short-term predictions were made for 2002 in Girona using Tarragona's 1994-1998 data. Additionally, long-term (10 years) incidence rate predictions were made for 2002 in Girona using data from Tarragona for the period 1985-1992. Our results suggest that extrapolating time-trends of incidence rates minus mortality rates may have the best predictive performance overall. These methods of population-level disease-incidence prediction are highly relevant to health care planning and policy decisions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».