Trends in socioeconomic inequalities in pancreatic cancer mortality in Canada: Evidence from the Canadian Vital Statistics Death Database
Notice bibliographique
Résumé
BackgroundPancreatic cancer is one of the leading causes of death in Canada and is projected to be the second leading cause of cancer death by 2030. This study sought to evaluate education and income inequalities in pancreatic cancer mortality in Canada between 1990 and 2019.MethodsUsing a unique census division level dataset (n = 280) constructed from the Canadian Vital Statistics Death Database, Canadian Census of Population (1991, 1996, 2001, 2006, 2016), and National Household Survey (2011) we assess socioeconomic inequalities in pancreatic cancer in Canada. Age-standardized Concentration index was used to quantify income and education inequalities in pancreatic cancer mortality. Trends analyses were conducted to assess changes in income and education inequalities in pancreatic cancer mortality over time.ResultsOur results show that crude pancreatic cancer mortality in Canada increased significantly from 10.23 for males and 9.65 for females in 1990, to 15.99 for males and 14.28 for females in 2019, per 100,000 people. The statistically significant negative values of age-standardized Concentration indices suggest persistent income and education inequalities in pancreatic cancer mortality in Canada. Trend analyses indicates reductions in income and education inequalities in pancreatic cancer mortality over time, particularly among females.ConclusionsSignificant income and education inequalities in pancreatic cancer mortality in Canada warrant public policy concern and action. Further research is required to understand whether differential access to treatment across socioeconomic groups played a role in the observed socioeconomic inequalities.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,003 | 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 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 ».