Analysis of Prevalence, Socioeconomic and Disease Trends of Non-Melanoma Skin Cancer in New Zealand from 2008 to 2022
Notice bibliographique
Résumé
BACKGROUND: Skin cancer shows geographic and ethnic variation. New Zealand-with a predominantly fair-skinned populations, high UV indices and outdoor lifestyles-has high rates of skin cancer. However, population prevalence data is lacking. This study aimed to determine the demographics and socioeconomic disease trends of non-melanoma skin cancer prevalence in New Zealand from a large targeted-screening study. METHODS: A targeted screening programme was conducted among 32,839 individuals, Fitzpatrick Skin Types I to IV in Auckland, New Zealand during the 2008-2022 period. This data was analyzed retrospectively. Linear regression models were used to assess statistical trends of skin cancer prevalence over time, along with associated factors that included demographics, disease trends and overall prevalence. RESULTS: A total of 32,839 individuals were screened and 11,625 skin cancers were detected. 16,784 individuals were females who had 4,378 skin cancers. 16,055 individuals were males who had 5,777 skin cancers. 54 males and 65 females had multiple skin cancers. The article presents detailed descriptions of tumour types and subtypes detected, age groups, demographic and socioeconomic information. regarding the non-melanoma skin cancers detected. CONCLUSION: Overall men have more non-melanoma skin cancer (NMSC) than females; however females develop more BCC on the lips. BCC is three times more common in the 31-50 age group, whereas SCC are significantly more prevalent after age 80. Prevalence of BCC has not changed over the 15-year timeframe of the study but SCC has increased. Older ages and higher incomes are associated with higher rates of NMSC in New Zealand.
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 | 0,000 |
| 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 ».