Racial, ethnic, and socioeconomic disparities in diagnosis, treatment, and survival of patients with breast cancer.
Notice bibliographique
Résumé
e18551 Background: Racial disparities in breast cancer are well established. However, there is a paucity of literature assessing the interaction of patient, socioeconomic, and community factors on outcomes. The objective of this study was to determine the influence of race/ ethnicity, socioeconomic status (SES), and insurance status on disease presentation, access to care, and survival in breast cancer. Methods: A retrospective analysis was performed of Non-Hispanic Black (NHB), Non-Hispanic White (NHW), and Hispanic patients with non-metastatic breast cancer in the SEER cancer registry between 2007 and 2016. Multivariable binary logistic regression and Cox regression analyses were conducted. Results: A total of 382,975 patients were identified; 289,074 (75.5%) NHW, 45,821 (12.0%) NHB, and 48,080 (12.6%) Hispanic patients. On multivariate analysis (see table), NHB (OR 1.18, 95%CI: 1.15-1.20) and Hispanic (OR 1.20, 95%CI: 1.17-1.22) patients were more likely to present with higher stage disease than NHW patients. There was an increased likelihood of not undergoing primary resection in NHB (OR 1.56, 95%CI: 1.49-1.65) and Hispanic (OR 1.41, 95%CI: 1.34-1.48) patients compared to NHWs. Similarly, NHB and Hispanic patients had increased odds of not undergoing breast reconstruction following mastectomy (OR 1.07, 95%CI: 1.03-1.11 and OR 1.60, 95%CI 1.54-1.66, respectively). NHB patients had increased hazard for all-cause mortality (HR: 1.13, 95%CI 1.10-1.16) and breast cancer-specific mortality (HR: 1.20, 95%CI 1.16-1.24). All-cause mortality increased across SES categories (lower SES: HR 1.33, 95%CI 1.30-1.37, middle SES: HR 1.20, 95%CI 1.17-1.23) in NHBs. Conclusions: This population-based analysis confirms worse disease presentation, access to surgical therapy, and survival across racial, ethnic, and socioeconomic factors. These disparities were compounded across worsening SES, suggesting structural racism may partly account for our findings.[Table: see text]
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,005 | 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 ».