Sociodemographic Factors and Stage of Cancer at Diagnosis: A Population-Based Study in South India
Notice bibliographique
Résumé
PURPOSE Lower socioeconomic status is associated with inferior cancer survival in high-income countries, but whether this applies to low- and middle-income countries is not well described. Here, we use a population-based cancer registry to explore the association between educational level and stage of cancer at diagnosis in South India. METHODS We used the Trivandrum District population-based cancer registry to identify all cases of breast and cervical cancer (women) and oral cavity (OC) and lung cancer (men) who were diagnosed from 2012 to 2014. Educational status—classified as illiterate/primary school, middle school, or secondary school or higher—was the primary exposure of interest. Primary outcome was the proportion of patients with advanced stage disease at diagnosis defined as stage III and IV (breast, cervix, or OC) or regional/metastatic (lung). RESULTS The study population included 4,547 patients with breast (n = 2,283), cervix (n = 481), OC (n = 797), and lung (n = 986) cancer. Educational status was 22%, 19%, and 26% for illiterate/primary, middle, and secondary school or higher, respectively. Educational status was missing for 33% of patients. The proportion of all patients with advanced stage disease was 37% (breast), 39% (cervix), 67% (OC), and 88% (lung). Patients with illiterate/primary school educational status were considerably more likely to have advanced breast cancer (50% v 39% v 36%; P < .001), cervix cancer (46% v 43% v 24%; P = .002), and OC cancer (77% v 76% v 59%; P < .001) compared with patients with higher educational levels. The proportion of patients with advanced lung cancer did not vary across educational levels (89% v 84% v 88%; P = .350). CONCLUSION A substantial proportion of patients in South India have advanced cancer at the time of diagnosis. This is particularly true among those with the lowest levels of education. Future health awareness and preventive interventions must target less-educated communities to reduce delays in seeking medical care for cancer.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».