Impact of COVID-19 on Public Interest in Breast Cancer Screening and Related Symptoms: Google Trends Analysis
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has led to a decrease in cancer screening due to the redeployment of health care resources and public avoidance of health care facilities. Breast cancer is the most common cancer diagnosed in female individuals, with improved survival rates from early detection. An avoidance of screening, resulting in late detection, greatly affects survival and increases health care resource burden and costs. OBJECTIVE: This study aimed to evaluate if a sustained decrease in public interest in screening occurred and to evaluate other search terms, and hence interest, associated with that. METHODS: This study used Google Trends to analyze public interest in breast cancer screening and symptoms. We queried search data for 4 keyword terms ("mammogram," "breast pain," "breast lump," and "nipple discharge") from January 1, 2019, to January 1, 2022. The relative search frequency metric was used to assess interest in these terms, and related queries were retrieved for each keyword to evaluate trends in search patterns. RESULTS: Despite an initial drastic drop in interest in mammography from March to April 2020, this quickly recovered by July 2020. After this period, alongside the recovery of interest in screening, there was a rapid increase in interest for arranging for mammography. Relative search frequencies of perceived breast cancer-related symptoms such as breast lump, nipple discharge, and breast pain remained stable. There was increase public interest in natural and alternative therapy of breast lumps despite the recovery of interest in mammography and breast biopsy. There was a significant correlation between search activity and Breast Cancer Awareness Month in October. CONCLUSIONS: Online search interest in breast cancer screening experienced a sharp decline at the beginning of the COVID-19 pandemic, with a subsequent return to baseline interest in arranging for mammography followed this short period of decreased interest.
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 | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,013 | 0,021 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| 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 | 0,001 |
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.
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 ».