Burden and geographic distribution of oral cavity and oropharyngeal cancers in the Russian Federation
Notice bibliographique
Résumé
Background: The global incidence of lip and oral cavity cancers (OCCs) and oropharyngeal cancers (OPCs) is steadily increasing. While tobacco and alcohol consumption are established risk factors, a considerable proportion of these cancers has become attributed to human papilloma virus (HPV) infection. We aimed to describe the occurrence and identify potential risk factors of OCCs and OPCs across the Russian Federation during 2007-2018. Methods: We conducted an ecological analysis using publicly accessible data from the P.A. Herzen Moscow Oncology Research Institute. Incidence and mortality rates by jurisdiction were mapped for geospatial analysis. We pre-defined 11 potential contributing risk factors and used univariable and multivariable Poisson regression model with backwards stepwise variable selection to identify associated factors with OCC and OPC. Results: A total of 190,585 individuals were diagnosed with OCCs and OPCs in Russia between 2007-2018. Non-uniform geographic distribution of cancer cases was noted where the Far Eastern Federal District had the highest rate of OCC and the Central Federal District of OPCs. Districts with high weekly alcohol consumption had significantly higher incidence and mortality rates in both sexes. Districts with high rates of daily smoking had higher incidence of OCC among females, and those with low smoking trends had lower mortality rates for OCCs and OPCs. Conclusion: We detail the burden of OCCs and OPCs across Russia, with the aim of elucidating modifiable risk factors and proposing evidence-based prevention strategies. Tobacco/alcohol sales control measures and smoking/drinking cessation programs should continue to be prioritized as public health measures, especially for females.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».