Socioeconomic Burden of Ovarian Cancer in 11 Countries
Notice bibliographique
Résumé
PURPOSE: Ovarian cancer remains among the most aggressive tumors with the lowest survival probability. Projections are that ovarian cancer will claim more than 8 million lives between 2022 and 2050 without better prevention or control measures. METHODS: We built an Excel-based instrument that uses a prevalence-based cost-of-illness approach and a societal perspective to estimate the burden of ovarian cancer. The instrument leverages data from editions of the World Ovarian Cancer Coalition's Every Woman Study, contains a micro-costing framework to assess the resources and costs of providing care, and uses data from novel systematic reviews and meta-analyses conducted to estimate the effect of ovarian cancer on patient labor productivity outcomes and the time caregivers devote to caring for people living with the disease. RESULTS: Across 11 countries, we estimated US dollars 70 billion in socioeconomic losses attributable to ovarian cancer. Health expenditures to cover treatment in the first 2 years after diagnosis were 7, 41, and 118 times total health spending per capita in high-, upper-middle-, and low- and lower-middle countries, respectively. Patients spent 3,663 years traveling to or receiving treatment. Women lost labor productivity equivalent to 2.5 million workdays due to ill-health from ovarian cancer, and 9,403 women living with ovarian cancer or survivors were estimated to be missing from the workforce. Caregivers spent 17,112 person-years providing practical support to patients-an average of 33 days per woman living with ovarian cancer. CONCLUSION: This study is the first to quantify the social and economic burden of ovarian cancer in 11 countries and highlights its significant cost and defines actions needed to improve ovarian cancer outcomes.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».