eLife assessment: Disentangling the relationship between cancer mortality and COVID-19 in the US
Notice bibliographique
Résumé
Establishing the true death toll of a pandemic like COVID-19 is difficult, as laboratory testing is generally too limited to directly count the number of deaths that can be attributed to a particular pathogen. To overcome this, researchers analyse excess mortality – that is, they compare the observed number of deaths with the expected level based on trends in prior years. These techniques have been used for over 100 years to estimate the burden of pandemic influenza and became a popular way to estimate deaths due to the COVID-19 pandemic. Excess mortality can also reveal the impact of COVID-19 on sub-populations with chronic conditions. For example, previous studies showed that deaths with diabetes, heart disease and Alzheimer’s disease listed as the primary cause of death increased during waves of COVID-19. Cancer deaths did not show such a pattern, however, despite some epidemiological studies identifying cancer as a risk factor for COVID-19 mortality. To understand why this may be the case, Hansen et al. reviewed death certificates from different states in the United States during the first year of the pandemic. Their analyses of multiple-cause death records (listing cancer anywhere on the death certificate, not just as the primary cause of death) showed that death certificate coding practices during the pandemic did not explain the absence of excess cancer mortality. While a low level of excess mortality was detectable for cancers with longer life expectancy (breast cancer, for example), no elevation was observed for cancers with lower life expectancy, such as pancreatic cancer. The analyses demonstrate that the lack of excess mortality for especially deadly cancers can be explained through competing risks – in other words, the high risk of dying from the cancer itself vastly outweighs the additional risk posed by COVID-19. These findings shed light on how competing mortality risks might mask the true impact of COVID-19 on cancer mortality and explain the apparent discrepancy between cohort studies and excess mortality studies. To fully comprehend the impact of COVID-19 on patients living with cancers, future research should look at the possibility of longer-term increases in cancer mortality due to late diagnosis during pandemic lockdowns, and an elevated risk of severe illness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».