Predicted long‐term impact of <scp>COVID</scp> ‐19 pandemic‐related care delays on cancer mortality in Canada
Notice bibliographique
Résumé
The COVID-19 pandemic has affected cancer care worldwide. This study aimed to estimate the long-term impacts of cancer care disruptions on cancer mortality in Canada using a microsimulation model. The model simulates cancer incidence and survival using cancer incidence, stage at diagnosis and survival data from the Canadian Cancer Registry. We modeled reported declines in cancer diagnoses and treatments recorded in provincial administrative datasets in March 2020 to June 2021. Based on the literature, we assumed that diagnostic and treatment delays lead to a 6% higher rate of cancer death per 4-week delay. After June 2021, we assessed scenarios where cancer treatment capacity returned to prepandemic levels, or to 10% higher or lower than prepandemic levels. Results are the median predictions of 10 stochastic simulations. The model predicts that cancer care disruptions during the COVID-19 pandemic could lead to 21 247 (2.0%) more cancer deaths in Canada in 2020 to 2030, assuming treatment capacity is recovered to 2019 prepandemic levels in 2021. This represents 355 172 life years lost expected due to pandemic-related diagnostic and treatment delays. The largest number of expected excess cancer deaths was predicted for breast, lung and colorectal cancers, and in the provinces of Ontario, Québec and British Columbia. Diagnostic and treatment capacity in 2021 onward highly influenced the number of cancer deaths over the next decade. Cancer care disruptions during the COVID-19 pandemic could lead to significant life loss; however, most of these could be mitigated by increasing diagnostic and treatment capacity in the short-term to address the service backlog.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 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 ».