Partitioning of time trends in prevalence and mortality of lung cancer
Notice bibliographique
Résumé
BACKGROUND: Time trends of lung cancer prevalence and mortality are the result of three competing processes: changes in the incidence rate, stage-specific survival, and ascertainment at early stages. Improvements in these measures act concordantly to improve disease-related mortality, but push the prevalence rate in opposite directions making a qualitative interpretation difficult. The goal of this paper is to evaluate the relative contributions of these components to changes in lung cancer prevalence and mortality. METHODS: Partitioning of prevalence and mortality trends into their components using SEER data for 1973-2013. RESULTS: The prevalence of lung cancer increases for females and decreases for males. In 1998, the former was due to increased incidence (45%-50% of total trend), improved survival (40%-45%), and increased ascertainment at early stages (10%-15%). In males, a rapidly declining incidence rate overpowered the effects of survival and ascertainment resulting in an overall decrease in prevalence over time. Trends in lung cancer mortality are determined by incidence during 1993-2002 with noticeable contribution of survival after 2002. CONCLUSION: Lung cancer incidence was the main driving force behind trends in prevalence and mortality. Improved survival played essential role from 2000 onwards. Trends in stage ascertainment played a small but adverse role. Our results suggest that further improvement in lung cancer mortality can be achieved through advances in early stage ascertainment, especially for males, and that in spite of success in treatment, adenocarcinoma continues to exhibit adverse trends (especially in female incidence) and its role among other histology-specific lung cancers will increase in the near future.
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 | 0,000 | 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) | 0,001 | 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 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 ».