MétaCan
Menu
Retour à la cohorte
Enregistrement W4291992223 · doi:10.2196/34589

Colorectal Cancer Incidence, Inequalities, and Prevention Priorities in Urban Texas: Surveillance Study With the “surveil” Software Package

2022· article· en· W4291992223 sur OpenAlexvenueno aff
Connor Donegan, Amy E. Hughes, Simon J. Craddock Lee

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueColorectal Cancer Screening and Detection
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIncidence (geometry)Software packageCancerSoftwareMedicineEnvironmental healthComputer scienceInternal medicineMathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Monitoring disease incidence rates over time with population surveillance data is fundamental to public health research and practice. Bayesian disease monitoring methods provide advantages over conventional methods including greater flexibility in model specification and the ability to conduct formal inference on model-derived quantities of interest. However, software platforms for Bayesian inference are often inaccessible to nonspecialists. OBJECTIVE: To increase the accessibility of Bayesian methods among health surveillance researchers, we introduce a Bayesian methodology and open source software package, surveil, for time-series modeling of disease incidence and mortality. Given case count and population-at-risk data, the software enables health researchers to draw inferences about underlying risk and derivative quantities including age-standardized rates, annual and cumulative percent change, and measures of inequality. METHODS: We specify a Poisson likelihood for case counts and model trends in log-risk using the first-difference (random-walk) prior. Models in the surveil R package were built using the Stan modeling language. We demonstrate the methodology and software by analyzing age-standardized colorectal cancer (CRC) incidence rates by race and ethnicity for non-Latino Black (Black), non-Latino White (White), and Hispanic/Latino (of any race) adults aged 50-79 years in Texas's 4 largest metropolitan statistical areas between 1999 and 2018. RESULTS: Our analysis revealed a cumulative decline of 31% (95% CI -37% to -25%) in CRC risk among Black adults, 17% (95% CI -23% to -11%) for Latino adults, and 35% (95% CI -38% to -31%) for White adults from 1999 to 2018. None of the 3 observed groups experienced significant incidence reduction in the final 4 years of the study (2015-2018). The Black-White rate difference (per 100,000) was 44 (95% CI 30-57) in 1999 and 35 (95% CI 28-43) in 2018. Cumulatively, the Black-White gap accounts for 3983 CRC cases (95% CI 3746-4219) or 31% (95% CI 29%-32%) of total CRC incidence among Black adults in this period. CONCLUSIONS: Stalled progress on CRC prevention and excess CRC risk among Black residents warrant special attention as cancer prevention and control priorities in urban Texas. Our methodology and software can help the public and health agencies monitor health inequalities and evaluate progress toward disease prevention goals. Advantages of the methodology over current common practice include the following: (1) the absence of piecewise linearity constraints on the model space, and (2) formal inference can be undertaken on any model-derived quantities of interest using Bayesian methods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,100

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,308
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetColorectal Cancer Screening and DetectionTravaux en français237 207