Mortality of Young Women due to Breast Cancer in Low, Middle and High-Income Countries: Systematic Literature Review and Meta-Analysis
Notice bibliographique
Résumé
OBJECTIVE: To identify the difference in breast cancer mortality rates among young women according to countries' economic classification. METHODS: A systematic literature review included retrospective studies on breast cancer mortality rates in women aged 20 to 49 years. Databases used were PubMed, Web of Science, Scopus, and Virtual Health Library, with articles selected in English, Portuguese, and Spanish. The study selection and analysis were conducted by two pairs of researchers. Data from 54 countries were extracted, including 39 high-income, 12 upper-middle-income, and 3 lower-middle-income countries. A meta-analysis was performed with the quantitative data from two studies. RESULTS: Six articles met the inclusion criteria. Four were analyzed descriptively due to data diversity, and two were included in the meta-analysis. The pooled mortality rate for high-income countries was 10.2 per 100,000 women (95% CI: 9.8-10.6), while for upper-middle-income countries, it was 15.5 per 100,000 women (95% CI: 14.9-16.1). Lower-middle-income countries had a pooled mortality rate of 20.3 per 100,000 women (95% CI: 19.5-21.1). The decrease in mortality rates in high-income countries was statistically significant (p<0.05). CONCLUSION: Mortality rates for breast cancer among young women have decreased significantly in high-income countries but have increased in lower-income countries. This disparity underscores the impact of insufficient investment in preventive measures, health promotion, early diagnosis, and treatment on young women's mortality in lower-income countries.
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) | 0,008 | 0,001 |
| 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 | 0,001 |
| 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 ».