Evaluating UV exposure and skin cancer prevention behaviours in Canada: a national population-based cross-sectional study
Notice bibliographique
Résumé
Introduction: Cutaneous melanoma is a common cancer with increasing incidence and significant economic burden. Sun-protective behaviours are crucial in addressing UV-related skin cancer risk and are responsive to public health intervention. This study provides a comprehensive overview of recent prevalence and trends in sun protection and UV exposure in Canada. Methods: Using data from the Canadian Community Health Survey (CCHS), we examined sun-protective behaviours and UV exposure in a sample of over 77 000 individuals aged ≥18 years during 2011-2018. The analysis employed multivariable logistic regression, considering factors including age, sex, income and immigration status, with results weighted to reflect the Canadian population. We further evaluated temporal trends in UV exposure and sun-protective practices from 2007 to 2018. Results: Age, sex, income and immigration status significantly influenced sun-protective behaviours. One-third (33.3%) of respondents reported having had a sunburn in the past 12 months, and most reported irregular or 'never use' of sunscreen on their body (64.3%) and face (58.1%). Women had significantly higher odds of using sunscreen on their body and face compared with men (OR 2.85, 95% CI 2.68 to 3.03 and OR 4.22, 95% CI 3.96 to 4.49, respectively). Individuals in the highest income quintile were similarly more likely to use sunscreen on their body and face than those in the lowest income quintile (OR 1.78, 95% CI 1.55 to 2.04 and OR 2.45, 95% CI 2.10 to 2.86, respectively). Temporal trends demonstrated an increasing prevalence of spending 2 hours or more in the sun and a decreasing trend in the use of any sunscreen on the body and face. Conclusions: The findings highlight disparities in sun protection linked to demographic factors. Public health strategies should target high-risk groups to enhance sun-protective behaviours and reduce melanoma incidence. Future interventions must address these disparities to improve skin cancer prevention.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 ».