Secular Trends of Liver Cancer Mortality and Years of Life Lost in Wuhan, China 2010–2019
Notice bibliographique
Résumé
BACKGROUND: Liver cancer has caused a heavy burden worldwide. This study aimed to estimate the trends in the mortality and years of life lost (YLL) due to liver cancer and decompose the total deaths into three contributors: population growth, population aging, and mortality change. METHODS: Our study used data from the cause-of-death surveillance system in Wuhan. The mortality and YLL rates were standardized according to the sixth national population census in China. This study calculated the estimated annual percentage change (EAPC) to estimate the trends in the age-standardized mortality rate (ASMR) and age-standardized YLL rate (ASYR). Meanwhile, a decomposition analysis was used to explore the effect of population growth, population aging, and age-specific mortality change on the change in liver cancer deaths. RESULTS: The ASMR of liver cancer declined at an annual rate of 4.6% from 30.87 per 100,000 people in 2010 to 20.29 per 100,000 people in 2019, while the ASYR was at an annual rate of 5.6% from 969.35 per 100,000 people in 2010 to 581.82 per 100,000 people in 2019. Similar downward trends were seen in men and women. The decomposition analysis found that total deaths number changed by -12.42% from 2010 to 2019, of which population growth and population aging caused the total death numbers to increase by 9.75% and 21.15%, while the age-specific mortality change caused the total death numbers to decrease by 43.32%. CONCLUSION: Although the ASMR of liver cancer has declined in recent years in Wuhan, it still causes a heavy burden with the increasing population and rapid population aging and remains an essential public health issue. The government should take measures to reduce the burden of liver cancer, especially among men.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».