Changes in essential cancer medicines and association with cancer outcomes: an observational study of 158 countries
Notice bibliographique
Résumé
BACKGROUND: Cancer is a major cause of mortality worldwide, and differences in cancer mortality rates between countries are, in part, due to differences in access to cancer care, including medicines. National essential medicines lists (NEMLs) play a role in prioritization of healthcare expenditure and access to medicines. We examined the association between amenable cancer mortality and listing medicines used in the management of eight cancers (non-melanoma skin, uterine, breast, Hodgkin lymphoma, colon, leukemia, cervical, and testicular) in national essential medicines lists of 158 countries and summarized changes to the inclusion of cancer treatments in NEMLs. METHODS: We conducted a cross-sectional examination of NEMLs for 158 countries, which were obtained in May 2023. We identified medicines used to treat each of the eight cancers and determined the number of medicines listed by NEMLs for each cancer. We conducted multiple linear regressions to examine the association between the number of medicines listed on the NEMLs and cancer mortality. RESULTS: We found associations between cancer medicine listing and outcomes for six of the eight examined cancers (non-melanoma skin cancer (p = 0.001), uterine cancer (p = 0.006), breast cancer (p = 0.001), Hodgkin lymphoma (p = 0.021), colon cancer (p = 0.006), and leukemia (p = 0.002)), when adjusting for healthcare expenditure and population size. CONCLUSION: There was an association between listing cancer medicines on NEMLs and cancer mortality. Further research is required to explore how cancer mortality may be impacted by other cancer interventions, as well as policies to improve equitable access to cancer care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».