MétaCan
Menu
Retour à la cohorte
Enregistrement W4405062157 · doi:10.1001/jamaoncol.2024.5381

Estimation of Cancer Deaths Averted From Prevention, Screening, and Treatment Efforts, 1975-2020

2024· article· en· W4405062157 sur OpenAlex
Katrina A.B. Goddard, Eric J. Feuer, Jeanne S. Mandelblatt, Rafael Meza, Theodore R. Holford, Jihyoun Jeon, Iris Lansdorp‐Vogelaar, Roman Gulati, Natasha K. Stout, Nadia Howlader, Amy B. Knudsen, Daniel G. Miller, Jennifer L. Caswell‐Jin, Clyde B. Schechter, Ruth Etzioni, Amy Trentham-Dietz, Allison W. Kurian, Sylvia K. Plevritis, John M. Hampton, Sarah Stein, Liyang Sun, Asad Umar, Philip E. Castle

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJAMA Oncology · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Cancer Incidence and Screening
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Cancer InstituteNational Institutes of Health
Mots-clésMedicineBreast cancerCervical cancerColorectal cancerCancer preventionCancerPopulationProstate cancerPsychological interventionCancer registryGynecologyOncologyInternal medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Importance: Cancer mortality has decreased over time, but the contributions of different interventions across the cancer control continuum to averting cancer deaths have not been systematically evaluated across major cancer sites. Objective: To quantify the contributions of prevention, screening (to remove precursors [interception] or early detection), and treatment to cumulative number of cancer deaths averted from 1975 to 2020 for breast, cervical, colorectal, lung, and prostate cancers. Design, Setting, and Participants: In this model-based study using population-level cancer mortality data, outputs from published models developed by the Cancer Intervention and Surveillance Modeling Network were extended to quantify cancer deaths averted through 2020. Model inputs were based on national data on risk factors, cancer incidence, cancer survival, and mortality due to other causes, and dissemination and effects of prevention, screening (for interception and early detection), and treatment. Simulated or modeled data using parameters derived from multiple birth cohorts of the US population were used. Interventions: Primary prevention via smoking reduction (lung), screening for interception (cervix and colorectal) or early detection (breast, cervix, colorectal, and prostate), and therapy (breast, colorectal, lung, and prostate). Main Outcomes and Measures: The estimated cumulative number of cancer deaths averted with interventions vs no advances. Results: An estimated 5.94 million cancer deaths were averted for breast, cervical, colorectal, lung, and prostate cancers combined. Cancer prevention and screening efforts averted 8 of 10 of these deaths (4.75 million averted deaths). The contribution of each intervention varied by cancer site. Screening accounted for 25% of breast cancer deaths averted. Averted cervical cancer deaths were nearly completely averted through screening and removal of cancer precursors as treatment advances were modest during the study period. Averted colorectal cancer deaths were averted because of screening and removal of precancerous polyps or early detection in 79% and treatment advances in 21%. Most lung cancer deaths were avoided by smoking reduction (98%) because screening uptake was low and treatment largely palliative before 2014. Screening contributed to 56% of averted prostate cancer deaths. Conclusions and Relevance: Over the past 45 years, cancer prevention and screening accounted for most cancer deaths averted for these causes; however, their contribution varied by cancer site according to these models using population-level cancer mortality data. Despite progress, efforts to reduce the US cancer burden will require increased dissemination of effective interventions and new technologies and discoveries.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,969
Score d'incertitude au seuil0,736

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,059
Tête enseignante GPT0,398
Écart entre enseignants0,339 · 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