Racial/Ethnic Disparities in Childhood Cancer Survival in the United States
Notice bibliographique
Résumé
BACKGROUND: Non-white patients with childhood cancer have worse survival than Non-Hispanic (NH) White patients for many childhood cancers in the United States. We examined the contribution of socioeconomic status (SES) and health insurance on racial/ethnic disparities in childhood cancer survival. METHODS: We used the National Cancer Database to identify NH White, NH Black, Hispanic, and children of other race/ethnicities (<18 years) diagnosed with cancer between 2004 and 2015. SES was measured by the area-level social deprivation index (SDI) at patient residence and categorized into tertiles. Health insurance coverage at diagnosis was categorized as private, Medicaid, and uninsured. Cox proportional hazard models were used to compare survival by race/ethnicity. We examined the contribution of health insurance and SES by sequentially adjusting for demographic and clinical characteristics (age group, sex, region, metropolitan statistical area, year of diagnosis, and number of conditions other than cancer), health insurance, and SDI. RESULTS: < 0.05). Survival differences were attenuated after adjusting for health insurance and SDI separately; and further attenuated after adjusting for insurance and SDI together. CONCLUSIONS: Both SES and health insurance contributed to racial/ethnic disparities in childhood cancer survival. IMPACT: Improving health insurance coverage and access to care for children, especially those with low SES, may mitigate racial/ethnic survival disparities.
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 | 0,004 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».