Current State of Geospatial Methodologic Approaches in Canadian Population Oncology Research
Notice bibliographique
Résumé
Abstract Geospatial analyses are increasingly used in population oncology. We provide a first review of geospatial analysis in Canadian population oncology research, compare to international peers, and identify future directions. Geospatial-focused peer-reviewed publications from 1992–2020 were compiled using PubMed, MEDLINE, Web of Science, and Google Scholar. Abstracts were screened for data derived from a Canadian cancer registry and use of geographic information systems. Studies were classified by geospatial methodology, geospatial unit, location, cancer site, and study year. Common limitations were documented from article discussion sections. Our search identified 71 publications using data from all provincial and national cancer registries. Thirty-nine percent (N = 28) were published in the most recent 5-year period (2016–2020). Geospatial methodologies included exposure assessment (32.4%), identifying spatial associations (21.1%), proximity analysis (16.9%), cluster detection (15.5%), and descriptive mapping (14.1%). Common limitations included confounding, ecologic fallacy, not accounting for residential mobility, and small case/population sizes. Geospatial analyses are increasingly used in Canadian population oncology; however, efforts are concentrated among a few provinces and common cancer sites, and data are over a decade old. Limitations were similar to those documented internationally, and more work is needed to address them. Organized efforts are needed to identify common challenges, develop leading practices, and identify shared priorities.
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 | 0,286 | 0,447 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,061 | 0,103 |
| Études des sciences et des technologies | 0,007 | 0,013 |
| Communication savante | 0,022 | 0,009 |
| Science ouverte | 0,013 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».