Extrapolated Trend of Cancer Incidences in North Eastern States of India
Notice bibliographique
Résumé
The ICMR annual report of 2004-2005 reveals a very high incidence of cancer of all sites in general and tobacco and pesticides related cancer in particular North East region of India.According to the report by Rajesh Dikshit, et.al March 28, 2012 of the center of Global health research, Canada, across states, a 30 year old man in the North East has the highest chance(11.2%) of dying from cancer before 70 years of age.The same report also reveals that this chance of dying is highest(6.0%)for North east women.Due to the magnitude of the disease in the region, it becomes important to make some forecasting study about the intensity of cancer incidences in the future.The present projections based on the extrapolation of trends of age adjusted cancer incidence rate, over time by least squares linear regression model assuming that trends in risk behavior will remain stable and the continuation of the past trend into the future.The states that were selected for the present study are those where data are available for maximum number of years in the past.Based on the reports of Indian Council of Medical Research on population based cancer registries, Mizoram, Manipur, Sikkim and the districts of Kamrup and Dibrugarh in Assam are the regions of North East where the data are available from the year 2002 to 2010.Based on the findings, it becomes clear that the incidences of cancer for all sites can significantly increase in some regions, moderately increase in the others and even decrease in few regions of North East India through the year 2016.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,007 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».