Measuring the impact of COVID-19 on cancer survival using an interrupted time series analysis
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: Few studies have investigated the impact of the COVID-19 pandemic on cancer survival. Those studies that have included pandemic vs prepandemic comparisons can mask differences during different periods of the pandemic such as COVID-19 waves. The objective of this study was to investigate the impact of the COVID-19 pandemic on cancer survival using an interrupted time series analysis and to identify time points during the pandemic when observed survival deviated from expected survival. METHODS: A retrospective population-based cohort study that included individuals diagnosed with cancer between January 2015 and September 2021 from Manitoba, Canada, was performed. Interrupted time series analyses with Royston-Parmar models as well as Kaplan-Meier survival estimates and delta restricted mean survival times at 1 year were used to compare survival rates for those diagnosed before and after the pandemic. Analyses were performed for 11 cancer types. RESULTS: Survival at 1 year for most cancer types was not statistically different during the pandemic compared with prepandemic except for individuals aged 50-74 years who were diagnosed with lung cancer from April to June 2021 (delta restricted mean survival times = -31.6 days, 95% confidence interval [CI] = -58.3 to -7.2 days). CONCLUSIONS: With the exception of individuals diagnosed with lung cancer, the COVID-19 pandemic did not impact overall 1-year survival in Manitoba. Additional research is needed to examine the impact of the pandemic on long-term cancer survival.
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 | 0,002 |
| 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) | 0,003 | 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