The Influence of Urbanization on the Patterns of Hepatocellular Carcinoma Mortality From 1999 to 2020
Notice bibliographique
Résumé
Background: Hepatocellular carcinoma (HCC) remains one of the leading causes of cancer-related fatalities despite early diagnosis and treatment progress, creating a significant public health issue in the United States. This investigation utilized death certificate data from the Centers for Disease Control and Prevention Wide-ranging Online Data for Epidemiologic Research (CDC WONDER) database to investigate HCC mortality patterns and death locations from 1999 to 2020. The objective was to analyze trends in HCC mortality across different population groups, considering the impact of urbanicity. Methods: In this study, death certificate data obtained from the CDC WONDER database were utilized to investigate the trends in HCC mortality and location of death between 1999 and 2020. The annual percent change (APC) method was applied to estimate the average annual rate of change during the specified timeframe for the relevant health outcome. Furthermore, including data on the location of death and geographic areas allowed us to gain deeper insights into the patterns and characteristics of HCC and its impact on different regions. Results: Between 1999 and 2020, there were 184,073 reported deaths attributed to HCC, and data on the location of death were available for all cases. Most deaths occurred during inpatient admissions (34.93%) or at home (41.19%). The study also found that the highest age-adjusted mortality rate (AAMR) for HCC was observed among male patients, particularly among those identified as Asian or Pacific Islander. Variations in AAMR were determined based on the level of urbanization or rurality of the area, with higher rates observed in more densely populated and urbanized regions. In contrast, less urbanized and populated areas experienced a profound increase in AAMR over the past two decades. Conclusion: The HCC-related AAMRs have worsened over time for most ethnic groups, except for Asian or Pacific Islanders, which showed a reduction in APC despite having the worst AAMR. Although rural and less densely populated areas have substantially increased AAMR over the past two decades, more urbanized areas continued to have higher AAMR rates.
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) | 0,000 | 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 ».