Impact of the COVID-19 pandemic on skin cancer diagnosis: A population-based study.
Notice bibliographique
Résumé
ObjectivesThe COVID-19 pandemic has been unprecedented and led to drastic reductions in nonurgent medical visits. Deferral of these visits may have critical health impact, including delayed diagnosis for melanoma and other skin cancers. We examined the influence of the pandemic on skin biopsy rates in a large population-based cohort. ApproachUsing the universal health care claims dataset from Ontario, Canada, we examined skin biopsies from January 6, 2020 to September 27, 2020, and compared these to the same period for 2019. Those diagnosed with anogenital cancers, younger than 20 years, residing out-of-province and with lapses in coverage were excluded. The sensitivity and specificity of claims diagnoses were evaluated with a validated algorithm that identifies keratinocyte carcinoma (KC) in Ontario, and the Ontario Cancer Registry for melanoma cancer. Factors associated with biopsy during the early pandemic were investigated with modified Poisson regression. ResultsA precipitous drop in total skin biopsies (down to 15% of expected), biopsies for KC (18%) and melanoma (27%) was seen with the onset of COVID-19 cases (p<0.01). Claims diagnoses were of high specificity for KC (99%), and for melanoma (98%), though sensitivity was less (61% and 28%, respectively). In adjusted analysis, the elderly (80+ years), females and residents of certain regions were less likely to be biopsied during the pandemic. Subsequently, there were substantial improvements in biopsy rates over 10 weeks. However, compared to 2019, a large backlog of expected cases still remained 28 weeks after lockdown (45,710 all biopsy, 9,104 KC and 595 melanoma). ConclusionA drastic reduction in skin biopsies is noted early in the COVID-19 pandemic; this disproportionately affected the elderly, females and certain geographic regions. Though biopsies subsequently increased, a large backlog of cases remained after almost half a year. This will have implications for downstream care of skin cancer.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».