Predicting Cohort-Specific Cervical Cancer Incidence From Population-Based Surveys of Human Papilloma Virus Prevalence: A Worldwide Study
Notice bibliographique
Résumé
Predictions of cervical cancer burden and the impact of measures taken to control this cancer are usually data-demanding and based on complex assumptions. We propose a predictive method (called PANDORA) based on human papillomavirus (HPV) prevalence, measured 1993-2008, and cervical cancer incidence (CCI), measured 1993-2012, in the same birth cohorts from different worldwide locations, informed by data on age at detection of high-risk HPV and sexual debut. The model can predict CCI among high-risk HPV-positive women and predict CCI up to 14 years following high-risk HPV detection. We found CCI to increase during the 14 years following high-risk HPV detection in unscreened women aged <35 years but to remain mainly constant among women ≥35 years. Age at sexual debut was a significant modifier of CCI. Using our model, we accurately reproduced CCI among high-risk HPV-positive women as observed in cohort studies and in the general population of multiple countries. We also predicted the annual number of cervical cancer cases and CCI in locations with HPV prevalence data but no cancer registry. These findings could inform cervical cancer control programs in settings without cancer registries, as they can be used to predict future cervical cancer burden from population-based surveys of HPV prevalence.
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 | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».