Approaches to developing de novo cancer population models to examine questions about cancer and race in bladder, gastric, and endometrial cancer and multiple myeloma: the Cancer Intervention and Surveillance Modeling Network incubator program
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: We are developing 10 de novo population-level mathematical models in 4 malignancies (multiple myeloma and bladder, gastric, and uterine cancers). Each of these sites has documented disparities in outcome that are believed to be downstream effects of systemic racism. METHODS: Ten models are being independently developed as part of the Cancer Intervention and Surveillance Modeling Network incubator program. These models simulate trends in cancer incidence, early diagnosis, treatment, and mortality for the general population and are stratified by racial subgroup. Model inputs are based on large population datasets, clinical trials, and observational studies. Some core parameters are shared, and other parameters are model specific. All models are microsimulation models that use self-reported race to stratify model inputs. They can simulate the distribution of relevant risk factors (eg, smoking, obesity) and insurance status (for multiple myeloma and uterine cancer) in US birth cohorts and population. DISCUSSION: The models aim to refine approaches in prevention, detection, and management of 4 cancers given uncertainties and constraints. They will help explore whether the observed racial disparities are explainable by inequities, assess the effects of existing and potential cancer prevention and control policies on health equity and disparities, and identify policies that balance efficiency and fairness in decreasing cancer mortality.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 découle