Geographic Variations in Cutaneous Melanoma Distribution in the Russian Federation
Notice bibliographique
Résumé
BACKGROUND: Cutaneous melanoma (CM) incidence has been increasing around the world. The goal of this study is to describe geographic trends in incidence and mortality of CM in Russia between 2001 and 2017. METHODS: To achieve this we used geo-informatic technique (mapping) and descriptive statistical analysis. Additionally, we studied the associations between ethnicity, geographic latitude/longitude, and CM incidence/mortality rates. We retrospectively analyzed the data from the Moscow Oncology Research Institute, Ministry of Health of the Russian Federation, for the period of the study. Routine methods of descriptive epidemiology were used to study incidence and mortality rates by age groups, years, and jurisdictions (i.e., Federal Districts and Federal Subjects of Russia). RESULTS: In total, 141,597 patients were diagnosed with melanoma in Russia over the period 2001-2017, of whom 62% were women. The overall age-standardized incidence and mortality rates were 4.27/100,000 and 1.62/100,000, respectively. Geographic mapping revealed north-to-south and east-to-west gradients. As the study was fully descriptive, retrospective, and based on official statistical reports, detailed characteristics of clinical forms, anatomic sites, Breslow depth, and treatments could not be analyzed. CONCLUSIONS: This study outlined the burden of melanoma in the Russian Federation, and the trends were similar to those observed in countries with similar latitudes and skin phenotype. The importance of the skin color gradient and recreational/cultural practices were some of the most important risk factors highlighted in this study for the development of melanoma in Russia.
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) | 0,000 | 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 ».