Contribution of smoking, disease history, and survival to lung cancer disparities in Black individuals
Notice bibliographique
Résumé
BACKGROUND: Lung cancer is the leading cause of cancer deaths and disproportionately affects self-identified Black or African American ("Black") people, especially considering their relatively low self-reported smoking intensity rates. This study aimed to determine the relative impact of smoking history and lung cancer incidence risk, histology, stage, and survival on these disparities. METHODS: We used 2 lung cancer models (MichiganLung-All Races and MichiganLung-Black) to understand why Black people have higher rates of lung cancer deaths. We studied how different factors, such as smoking behaviors, cancer development, histology, stage at diagnosis, and lung cancer survival, contribute to these differences. RESULTS: Adjusted for smoking history, approximately 90% of the difference in lung cancer deaths between the overall and Black populations (born in 1960) was the result of differences in the risk of getting lung cancer. Differences in the histology and stage of lung cancer and survival had a small impact (4% to 6% for each). Similar results were observed for the 1950 and 1970 birth cohorts, regardless of their differences in smoking patterns from the 1960 cohort. CONCLUSIONS: After taking smoking into account, the higher rate of lung cancer deaths in Black people can mostly be explained by differences in the risk of developing lung cancer. As lung cancer treatments and detection improve, however, other factors may become more important in determining differences in lung cancer mortality between the Black and overall populations. To prevent current disparities from becoming worse, it is important to make sure that these improvements are available to everyone in an equitable way.
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 | 0,001 |
| 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 ».