Cancers Attributable to Obesity in Indonesia: A Prevalence Based Study Using Disability Adjusted Life Years
Notice bibliographique
Résumé
The prevalence of obesity in the world has nearly tripled since 1975. Obesity clearly known as risk factor for various diseases, including many types of cancer. This study aims to determine the obesity attributable fraction (OAF) of seven cancers based on the relative risk of esophageal cancer, colorectal, pancreatic, endometrial, ovarian, prostate and kidney cancer and also to estimate the burden of cancer caused by obesity with disability adjusted life years (DALY) indicator. This study is a descriptive epidemiological study with prevalence-based method, which the prevalence data obtained from Indonesian National Health Insurance (BPJS) 2016. The OAF is calculated by combining both data of obesity prevalence and relative risk and the DALY indicator is calculated as the sum of years of life lost due to premature mortality (YLL) and the equivalent healthy years lost due to disability (YLD). Based on OAF calculation, three highest proportions OAF in men were in colorectal cancer (6.02%), kidney (4.91%) and pancreatic cancer (4.55%), while in women were from kidney cancer (13.92%), endometrial (12.63%) and colorectal cancer (7.49%). Meanwhile the burden priorities of cancer by obesity in Indonesia were come from colon cancer (23,051), ovarian cancer (21.911), and pancreatic cancer (4,564). Burden of cancer attributable to obesity in Indonesia mostly related to digestive organ and high prevalence in female population. It is the impact of life changes and less activity due to globalization. All cancers attributable to obesity should be considered and have to controlled by the government through health programs and policies.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 | 0,000 |
| 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 ».