Estimating Long-Term Crude Probability of Death among Young Breast Cancer Patients: A Bayesian Approach
Notice bibliographique
Résumé
AIMS AND BACKGROUND: Bayesian survival analysis was applied to assess the long-term survival and probability of death due to breast cancer (BC) in Girona, the Spanish region with the highest BC incidence. METHODS: A Bayesian autoregressive model was implemented to compare survival indicators between the periods 1985-1994 and 1995-2004. We assessed the long-term excess hazard of death, relative survival (RS), and crude probability of death due to BC (PBC) up to 20 years after BC diagnosis, reporting the 95% credible intervals (CI) of these indicators. RESULTS: Patients diagnosed from 1995 onwards showed lower 20-year excess hazards of death than those diagnosed earlier (RS during 1985-1994: local stage: 76.6%; regional stage: 44.9%; RS during 1995-2004: local stage: 85.2%; regional stage: 57.0%). The PBC after 20 years of BC diagnosis for patients diagnosed in 1995 and after might reach 14.4% (95% CI: 8.9%-21.2%) in local stage and 41.0% (95% CI: 36.1%-47.1%) in regional stage. CONCLUSIONS: The method presented could be useful when dealing with population-based survival data from a small region. Better survival prospects were found in patients diagnosed after 1994, although we detected a non-decreasing long-term excess hazard of death, suggesting that these patients have higher mortality than the general population even 10 years after the diagnosis of BC.
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 | 0,012 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».