PD177 The Effect Of COVID-19 On Cancer Screening In Brazil, Canada, And The USA: A Cross-National Study
Notice bibliographique
Résumé
Introduction The COVID-19 pandemic strained hospital systems and diverted resources, prompting a reorientation of healthcare priorities. This shift disrupted patient access to preventive cancer screenings and curtailed interactions between medical professionals and patients. This study aimed to examine changes in cancer screening during the COVID-19 pandemic period (2019 to 2021) in Brazil, Canada, and the USA. Methods The study included a literature review of academic articles, health reports, and government data that focused on the impact of the pandemic on cancer screening. Official health data in Brazil, Canada, and the USA were collected from medical records, national health databases, and screening statistics. A comparative analysis was conducted to unveil the changes in access to screening services for colorectal cancer (CRC), breast cancer, hepatocellular carcinoma (HCC), and cervical cancer. Results During the COVID-19 period, significant declines in cancer screening were observed globally. In Canada, CRC diagnoses dropped by 55 percent and remained 20 percent lower than averages from previous years, with an estimated 467 cases undiagnosed by August 2020. In the USA, HCC screenings were reduced by 44 percent, while cervical cancer screenings for women aged 21 to 29 years plummeted by 78 percent. Additionally, mammography screenings fell drastically from 180,724 in March to May 2019 to just 1,681 in the same period of 2020, leading to fewer breast cancers detected and a surge in symptomatic, aggressive tumors. Similarly, Brazil saw a 39 percent drop in breast cancer screenings. Conclusions The COVID-19 pandemic significantly disrupted cancer screening programs across Brazil, Canada, and the USA, resulting in marked declines in the number of diagnoses of various cancers. This reduction highlights the extensive impact of the pandemic on preventive health care, necessitating strategies to address the backlog and ensure timely cancer detection and treatment in the post-pandemic era.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».