Geographical Variation and Factors Associated with Non-Small Cell Lung Cancer in Manitoba
Notice bibliographique
Résumé
BACKGROUND: Screening decreases non-small cell lung cancer (NSCLC) deaths and is recommended by the Canadian Task Force on Preventive Health Care. We investigated risk factor prevalence and NSCLC incidence at a small region level to inform resource allocation for lung cancer screening. METHODS: NSCLC diagnoses were obtained from the Canadian Cancer Registry, then geocoded to 283 small geographic areas (SGAs) in Manitoba. Sociodemographic characteristics of SGAs were obtained from the 2006 Canadian Census and Canadian Community Health Survey. Geographical variation was modelled using a Bayesian spatial Poisson model. RESULTS: NSCLC incidence in SGAs ranged from 1 to 343 cases per 100,000 population per year. The highest incidence rates were in the Southeastern, Southwestern, and Central regions of Manitoba, while most of Northern Manitoba had lower rates. Poisson regression suggested areas with higher proportions of Aboriginal people and higher average income, and immigrants had lower NSCLC incidence whereas areas with higher proportions of smokers had higher incidence. CONCLUSION: On an SGA level, smoking rates remain the most significant factor driving NSCLC incidence. Socioeconomic status and proportions of immigrants or Aboriginal peoples independently impact NSCLC rates. We have identified SGAs in Manitoba to target in policy and infrastructure planning for lung cancer screening.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».