Cancer Premature Mortality Costs in Europe in 2020: A Comparison of the Human Capital Approach and the Friction Cost Approach
Notice bibliographique
Résumé
The inclusion of productivity costs can affect the outcome of cost-effectiveness analyses. We estimated the value of cancer premature mortality productivity costs for Europe in 2020 using the Human Capital Approach (HCA) and compared these to the Friction Cost Approach (FCA). Cancer mortality data were obtained from GLOBOCAN 2020 by sex and five-year age groups. Twenty-three cancer sites for 31 European countries were included. The HCA and the FCA were valued using average annual gross wages by sex and age group and applied to Years of Potential Productive Life Lost. 2020 friction periods were calculated and all costs were in 2020 euros. Estimated cancer premature mortality costs for Europe in 2020 were EUR 54.0 billion (HCA) and EUR 1.57 billion (FCA). The HCA/FCA cost ratio for Europe was 34.4, but considerable variation arose across countries (highest in Ireland: 64.5 v lowest in Czech Republic: 11.1). Both the HCA and the FCA ranked lung, breast and colorectal as the top three most costly cancers in Europe, but cost per death altered rankings substantially. Significant cost differences were observed following sensitivity analysis. Our study provides a unique perspective of the difference between HCA and FCA estimates of productivity costs by cancer site and country in Europe.
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 | 0,015 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».