MétaCan
Menu
← Retour à la cohorte
Enregistrement W4402267132 · doi:10.1158/1538-7445.pediatric24-pr007

Abstract PR007: Persistent poverty is associated with risk of early mortality among children with cancer: An analysis of SEER data

2024· article· en· W4402267132 sur OpenAlexaboutno aff
Emma Hymel, Josiane Kabayundo, Krishtee Napit, Shinobu Watanabe‐Galloway

Notice bibliographique

RevueCancer Research · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineCancerPovertyDemographyChildhood cancerGerontologyInternal medicineEconomic growthSociology

Résumé

récupéré en direct d'OpenAlex

Abstract Objectives: Social determinants of health are understudied in the context of pediatric cancer. Persistent poverty, a measure developed by the National Cancer Institute and the US Department of Agriculture’s Economic Research Service, is defined as having 20% or more of an area’s population having lived below the poverty level for a period of about 30 years. The effect of persistent poverty on pediatric cancer outcomes is not well understood. Methods: This population-based longitudinal study uses data from the Surveillance, Epidemiology, and End Results (SEER)-22 registries Incidence Data with Census Tract Attributes Database. All primary cases of malignant cancer diagnosed among children aged 0-19 at diagnosis from 2006-2020 were included. Early mortality was defined as death within three months of diagnosis. Cox proportional hazards models were used to compute crude and adjusted hazard rations (aHRs) for the association between persistent poverty and early mortality. Based on a directed acyclic graph, models were also adjusted for age, sex, race/ethnicity, cancer type, and rurality (defined using Rural Urban Commuting Area codes). Results: The study included 97,132 children; 12.63% resided in a persistent poverty census tract at diagnosis and 1.66% died within three months of diagnosis. In the adjusted model, living in a persistent poverty census tract was associated with a higher risk of early mortality (aHR=1.26, 95% CI: 1.10-1.45). Additionally, a higher risk of early mortality was observed among Non-Hispanic Black (aHR=1.44, 95% CI: 1.23-1.70), Non-Hispanic Asian and Pacific Islander (aHR=1.39, 95% CI: 1.15-1.68), and Hispanic children (aHR=1.33, 95% CI: 1.18-1.49) compared to Non-Hispanic White children. Children residing in rural areas also had a higher risk of death compared to children in urban areas (aHR=1.29, 95% CI: 1.11-1.50). In sensitivity analyses looking at the effect of persistent poverty on risk of death within one month of diagnosis, a similar effect size was observed (aHR=1.26, 95% CI: 1.07-1.48). Conclusions: Our study observed an increased risk of early mortality among children living in persistent poverty census tracts and among racial/ethnic minorities. Future studies should explore potential mediators of the association between persistent poverty and early mortality, including health insurance, treatment access, and individual-level socioeconomic status. Citation Format: Emma Hymel, Josiane Kabayundo, Krishtee Napit, Shinobu Watanabe-Galloway. Persistent poverty is associated with risk of early mortality among children with cancer: An analysis of SEER data [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Advances in Pediatric Cancer Research; 2024 Sep 5-8; Toronto, Ontario, Canada. Philadelphia (PA): AACR; Cancer Res 2024;84(17 Suppl):Abstract nr PR007.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,134
Tête enseignante GPT0,440
Écart entre enseignants0,305 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer Research→Même sujetChronic Disease Management Strategies→Travaux en français237 207→