MétaCan
Menu
Retour à la cohorte
Enregistrement W2761594939 · doi:10.3917/spub.174.0509

Cancers des voies respiratoires attribuables aux expositions professionnelles : quels coûts pour la société française ?

2017· article· fr· W2761594939 sur OpenAlexaff
Hassan Serrier, Hélène Sultan‐Taïeb, Danièle Luce, Sophie Béjean

Notice bibliographique

RevueSanté Publique · 2017
Typearticle
Languefr
DomaineMedicine
ThématiqueOccupational and environmental lung diseases
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésMedicineGynecologyHumanitiesPolitical scienceArt

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To estimate the social cost of respiratory cancers attributable to occupational risk factors in France in 2010. METHODS: We estimated the number of cases of respiratory cancers attributable to each identified occupational risk factor according to the attributable fractions method. We also estimated direct (costs of hospital stays, drugs, outpatient care) and indirect costs (production losses) related to morbidity (absenteeism and presenteeism) and mortality (years of lost production). Production losses for paid work and unpaid domestic activities were taken into account. RESULTS: The social cost of respiratory cancers (lung, larynx, sinonasal, pleural mesothelioma) attributable to exposure to asbestos, chromium, diesel engine exhaust, polycyclic aromatic hydrocarbons, painting occupations (unidentified carcinogen), crystalline silica, wood and leather dust in France in 2010 was estimated to be between €960 and 1,866 million. The cost of lung cancer represents between €804 and 1,617 million. The three risk factors with the greatest impact are asbestos (€530 to 890 million), diesel engine exhaust (€227 to 394 million), and crystalline silica (€116 to 268 million). CONCLUSION: These results provide a conservative estimate of the public health and economic burden of respiratory cancers attributable to occupational risk factors from a societal perspective.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,159
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,002
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,347
Écart entre enseignants0,317 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSanté PubliqueMême sujetOccupational and environmental lung diseasesTravaux en français237 207