Non-Melanoma Skin Cancer Distribution in the Russian Federation
Notice bibliographique
Résumé
BACKGROUND: Non-melanoma skin cancer (NMSC) incidence has been increasing steadily around the world. The aim of the study is to describe geographic trends in incidence and mortality of NMSC in Russia between 2007 and 2017 and compare findings to other European countries. METHODS: We used geospatial analysis to map the incident cases and descriptive statistical analysis to analyze trends. Additionally, we assessed the relationship between ethnicity, geographic latitude/longitude, and NMSC incidence/mortality rates. We retrospectively analyzed the data from the Moscow Oncology Research Institute, Ministry of Health of the Russian Federation, for 2007-2017. 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). RESULTS: In total, 733,723 patients were diagnosed with NMSC in Russia over the period 2007-2017, of whom 63% were women. The overall age-standardized incidence and mortality rates were 29.64/100,000 and 0.70/100,000, respectively. There was a consistent increase in age-standardized incidence rates over the study period, with a decreasing mortality rate. Geographic mapping revealed north-to-south and east-to-west gradients for NMSC. CONCLUSIONS: This study demonstrated longitudinal trends for NMSC incidence in Russia documenting that skin phototype, latitude/longitude, climate zones, and cultural practices remain dominant risk factors defining the epidemiology of NMSC. Moreover, this work identified several regions in the country (i.e., Republic of Adygea, Samara, Krasnodar Krai, etc.), where patient education/sun awareness campaigns will be useful to help reduce the risk of this malignancy.
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 ».