Patterns of Cancer Incidence and Mortality in North- Eastern India: The First Report from the Population Based Cancer Registry of Tripura
Notice bibliographique
Résumé
BACKGROUND: There is, till date no population-based data regarding cancer patterns in North- Eastern India, dictating the need to understand the epidemiology of cancer in this population for its effective management. METHODS: This is the first report of the Population Based Cancer Registry (PBCR) in Tripura (2010-2014). The protocol involves active collection of data on all cancer cases from Tripura through staff visit in more than 150 sources of incident and mortality registration, government and private hospitals, municipal corporation, etc. and scrutiny, corroboration with existing records. Data was analyzed statistically to understand cancer trends in terms of incidence and mortality across different sites, age groups affected and gender. RESULTS: A total of 10,251 cases were registered during the period, with overall age-adjusted incidence rates of 75.7 and 54.9 per 100,000 males and females respectively. Crude Incidence Rate (CR) and Age- Adjusted Rate (AAR) was among the lowest reported in India, probably due to associated socio-economic factors. The most prevalent cancers were lung (18.1%), esophageal (8.3%) for men and cervix uteri (17.6%), breast (13.8%) for females. Gall bladder cancer in females was one of the highest in the country. Rate of cancer mortality in the population was quite high and significantly increased with time, probably accounting for dearth in early detection and feasible treatment alternatives. CONCLUSION: The data suggests that high cancer incidence and mortality are prevalent in the population of Tripura, dictating the need of active tobacco control measures, early detection and awareness drives for effective cancer control.
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 ».