Rare cancers in Canada, 2006–2016: A population-based surveillance report and comparison of different methods for classifying rare cancers
Notice bibliographique
Résumé
BACKGROUND: The cumulative burden from rare cancers has not been adequately explored in Canada. This analysis aims to characterize the occurrence of rare cancers among Canadians and estimate the probability of being diagnosed with a rare cancer among cancer patients with different demographic characteristics. METHODS: The Canadian Cancer Registry was used for this analysis. Cancer types were classified in three ways: using the SEER site recode scheme; by histology group; and by site/histology group. The age-standardized incidence rate (ASIR) and 95 % confidence intervals (CI) for each cancer type was estimated for diagnoses from 2006 to 2016. Two ASIR thresholds were used to classify cancers as rare:6/100,000/year and 15/100,000/year. Log-binomial regression was used to estimate the adjusted probability of having a rare cancer among those with cancer by age, sex and geographic region. RESULTS: Using the 6/100,000/year threshold, the incidence proportion (IP) of rare cancers ranged from 9.7 %(95 %CI:9.6,9.7 %)-17.0 %(95 %CI:16.9,17.0 %), and ranged from 19.2 %(95 %CI:19.1,19.3 %)-52.5 %(95 %CI:52.0,53.0 %) using the <15/100,000/year threshold. The adjusted probability of being diagnosed with a rare cancer was highest among those aged ≤19 years. There was higher concordance in estimates of the burden of rare cancers across methods to classify cancer types when the lower incidence rate threshold was used to define rare cancers. INTERPRETATION: This analysis yielded evidence that rare cancers comprise a substantial proportion of annual cancer diagnoses among Canadians. Findings from this analysis point to using a lower incidence rate threshold, to generate estimates of the burden of rare cancers that are robust to different cancer classification schemes.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 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 ».