COVID-19 pandemic impact on the potential exacerbation of screening mammography disparities: A population-based study in Ontario, Canada
Notice bibliographique
Résumé
Strategies to ramp up breast cancer screening after COVID-19 require data on the influence of the pandemic on groups of women with historically low screening uptake. Using data from Ontario, Canada, our objectives were to 1) quantify the overall pandemic impact on weekly bilateral screening mammography rates (per 100,000) of average-risk women aged 50-74 and 2) examine if COVID-19 has shifted any mammography inequalities according to age, immigration status, rurality, and access to material resources. Using a segmented negative binomial regression model, we estimated the mean change in rate at the start of the pandemic (the week of March 15, 2020) and changes in weekly trend of rates during the pandemic period (March 15-December 26, 2020) compared to the pre-pandemic period (January 3, 2016-March 14, 2020) for all women and for each subgroup. A 3-way interaction term (COVID-19*week*subgroup variable) was added to the model to detect any pandemic impact on screening disparities. Of the 3,481,283 mammograms, 8.6 % (n = 300,064) occurred during the pandemic period. Overall, the mean weekly rate dropped by 93.4 % (95 % CI 91.7 % - 94.8 %) at the beginning of COVID-19, followed by a weekly increase of 8.4 % (95 % CI 7.4 % - 9.4 %) until December 26, 2020. The pandemic did not shift any disparities (all interactions p > 0.05) and that women who were under 60 or over 70, immigrants, or with a limited access to material resources had persistently low screening rate in both periods. Interventions should proactively target these underserved populations with the goals of reducing advanced-stage breast cancer presentations and 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.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».