Increase in the Life Expectancy of Patients with Cancer in the United States
Notice bibliographique
Résumé
BACKGROUND: Cancer is becoming more of a chronic disease due to improvements in treatment and early detection for multiple cancer sites. To gain insight on increased life expectancy due to these improvements, we quantified trends in the loss in expectation of life (LEL) due to a cancer diagnosis for six cancer sites from 1975 through 2018. METHODS: We focused on patients diagnosed with female breast cancer, chronic myeloid leukemia (CML), colon and rectum cancer, diffuse large B-cell lymphoma (DLBCL), lung cancer, or melanoma between 1975 and 2018 from nine Surveillance, Epidemiology, and End Results cancer registries. Life expectancies for patients with cancer ages 50+ were modeled using flexible parametric survival models. LEL was calculated as the difference between general population life expectancy and life expectancy for patients with cancer. RESULTS: Over 2 million patients were diagnosed with one of the six cancers between 1975 and 2018. Large increases in life expectancy were observed between 1990 and 2010 for female breast, DLBCL, and CML. Patients with colon and rectum cancer and melanoma had more gradual improvements in life expectancy. Lung cancer LEL only began decreasing after 2005. Increases in life expectancy corresponded with decreases in LEL for patients with cancer. CONCLUSIONS: The reported gains in life expectancy largely correspond to progress in the screening, management, and treatment of these six cancers since 1975. IMPACT: LEL provides an important public health perspective on how improvements in treatment and early detection and their impacts on survival translate into changes in cancer patients' life expectancy.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».