Cancer incidence during the COVID‐19 pandemic by region of residence in Manitoba, Canada: A cancer registry‐based interrupted time series study
Notice bibliographique
Résumé
INTRODUCTION: Health care in Manitoba, Canada is divided into five regions, each with unique geographies, demographics, health care access, and health status. COVID-19-related restrictions and subsequent responses also differed by region. To understand the impact of the pandemic on cancer incidence in the context of these differences, we examined age-standardized cancer incidence rates by region over time before and after the COVID-19 pandemic. METHODS: We used a population-based quasi-experimental study design, population-based data, and an interrupted time series analysis to examine the rate of new cancer diagnoses before (January 2015 until December 2019) and after the start of COVID-19 and the interventions implemented to mitigate its impact (April 2020 until December 2021) by region. RESULTS: Overall cancer incidence differed by region and remained lower than expected in Winnipeg (4.6% deficit, 447 cases), Prairie Mountain (6.9% deficit, 125 cases), and Southern (13.0% deficit, 238 cases). Southern was the only region that had a significantly higher deficit in cases compared to Manitoba (ratio 0.92, 95% CI 0.86, 0.99). Breast and colorectal cancer incidence decreased at the start of the pandemic in all regions except Northern. Lung cancer incidence decreased in the Interlake-Eastern region and increased in the Northern region. Prostate cancer incidence increased in Interlake-Eastern. CONCLUSIONS: The impact of the COVID-19 pandemic on cancer incidence differed by region. The deficit in the number of cases was largest in the southern region and was highest for breast and prostate cancers. Cancer incidence did not significantly decrease in the most northern, remote region.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».