The role of education on Cancer amenable mortality among non-Hispanic blacks & non-Hispanic whites in the United States (1989–2018)
Notice bibliographique
Résumé
BACKGROUND: Cancer mortality in the U.S. has fallen in recent decades; however, individuals with lower levels of education experienced a smaller decline than more highly educated individuals. This analysis aimed to measure the influence of education lower than a high school diploma, on cancer amenable mortality among Non-Hispanic Whites (NHW) and Non-Hispanic Blacks (NHB) in the U.S. from 1989 to 2018. METHODS: We analyzed data from 8.2 million death certificates of men and women who died from cancer between 1989 and 2018. We examined 5-year and calendar period intervals, as well as annual percent changes (APC). APC was adjusted for each combination of sex, educational level, and race categories (8 models) to separate the general trend from the effects of age. RESULTS: Our study demonstrated an increasing mortality gap between the least and the most educated NHW and NHB males and females who died from all cancers combined and for most other cancer types included in this study. The gap between the least and the most educated was broader among NHW males and females than among NHB males and females, respectively, for most malignancies. CONCLUSIONS: In summary, we reported an increasing gap in the age-adjusted cancer mortality among the most and the least educated NHW and NHB between 25 and 74 years of age. We demonstrated that although NHB exhibited the greatest age-adjusted mortality rates for most cancer locations, the gap between the most and the least educated was shown for NHW.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».