AB014. The disease burden, risk factors and temporal trends in breast cancer in low- and middle-income countries: a global study
Notice bibliographique
Résumé
Background: Breast cancer poses a significant threat to women’s health and places a burden on healthcare systems worldwide. However, low- and middle-income countries (LMICs) often have insufficient breast cancer prevention, treatment, and understanding of risk factors. This study aims to investigate the disease burden, risk factors, and temporal trends of breast cancer specifically in LMICs. Methods: From 1990 to 2019, this study extracted incidence, prevalence, disability-adjusted life years (DALYs) and breast cancer risk factors from the Global Burden of Disease (GBD) databases for 204 countries or territories. Temporal trends were examined using joinpoint regression analysis. Results: Among the income groups, the lower middle-income category had the highest DALYs value, with 1,787 years per 100,000 people. In the map analysis, 91% of African and Middle Eastern countries had age-standardized DALYs rates higher than the crude rate. LMICs countries collectively accounted for 74% of the global burden of DALYs lost due to breast cancer in 2019. Between 1990 and 2019, the prevalence of behavior-related risk factors for breast cancer increased by 47% in upper-middle income countries and 19% in low-income countries. However, it remained relatively consistent in lower-middle income countries. In lower-middle income countries, the risk associated with metabolic syndromes was higher compared to the risk associated with behavioral factors alone. For the recent past decade, breast cancer incidences increased significantly in lower-middle income countries [average annual percentage change (AAPC): 1.69, 95% confidence interval (CI): 1.51–1.87, P<0.001], upper-middle income countries (AAPC: 1.32, 95% CI: 1.12–1.48, P<0.001), and low-income countries (AAPC: 1.62, 95% CI: 1.57–1.68, P<0.001). Conclusions: Breast cancer affects women globally, particularly in LMICs. This research shows how breast cancer in LMICs is aggravated by low resources and healthcare infrastructure. To successfully reduce breast cancer in these contexts, future studies must emphasize healthcare resource allocation.
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 | 0,000 |
| 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 ».