High-burden Cancers in Middle-income Countries: A Review of Prevention and Early Detection Strategies Targeting At-risk Populations
Notice bibliographique
Résumé
Cancer incidence is rising in low- and especially middle-income countries (MIC), driven primarily by four high-burden cancers (breast, cervix, lung, colorectal). By 2030, more than two-thirds of all cancer deaths will occur in MICs. Prevention and early detection are required alongside efforts to improve access to cancer treatment. Successful strategies for decreasing cancer mortality in high-income countries are not always effective, feasible or affordable in other countries. In this review, we evaluate strategies for prevention and early detection of breast, cervix, lung, and colorectal cancers, focusing on modifiable risk factors and high-risk subpopulations. Tobacco taxation, human papilloma virus vaccination, cervical cancer screen-and-treat strategies, and efforts to reduce patient and health system-related delays in the early detection of breast and colorectal cancer represent the highest yield strategies for advancing cancer control in many MICs. An initial focus on high-risk populations is appropriate, with increasing population coverage as resources allow. These strategies can deliver significant cancer mortality gains, and serve as a foundation from which countries can develop comprehensive cancer control programs. Investment in national cancer surveillance infrastructure is needed; the absence of national cancer data to identify at-risk groups remains a barrier to the development of context-specific cancer control strategies.
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 | 0,002 | 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) | 0,001 | 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 ».