Examining the evolving landscape of kidney cancer mortality in the United States
Notice bibliographique
Résumé
BACKGROUND: Kidney cancer (KC) remains a significant contributor to cancer-related mortality in the United States, with an alarming increase in disease burden. To address this critical health issue, this study aims to investigate trends in KC mortality. METHODS: We retrieved mortality data from the Center for Disease Control WONDER database using the International Classification of Diseases 10 code C64. Age Standardized Mortality Rates (ASMRs) per 100 000 population were divided by age/gender/race/ethnicity-American Indian or Alaskan Native (AIAN)/Asian/African American (AA)/White/Hispanic/non-Hispanic-from 1999 to 2020. Joinpoint regression is conducted to calculate Average Annual Percentage Changes (AAPCs) and compare trends. RESULTS: A total of 284 224 deaths were reported. In 2020, the greatest ASMR was in Whites (3.9/100.000), followed by AIANs (3.5), AA (3.3), and Asians (1.6). ASMRs were 3.2 for Hispanics and 3.5 for non-Hispanics, with decreases of 11.4% and 12.5%; 5.0 for males and 2.1 for females, with decreases of 13.8% and 22.2%, respectively. AIAN males experienced the greatest ASMR decrease (44.3%), White males the smallest (1.7%). AIAN (AAPC = -1.9%), and AA (AAPC = -1.3%) showed a single negative trend line, while ASMRs in Asian (AAPC = -0.6%) and White population (AAPC = -0.6%) initially increased then declined. Younger populations experienced greater decreases, whereas populations over 85 had increasing ASMRs. CONCLUSIONS: Over 20 years, the greatest ASMR shifted from AIAN to White individuals, with a nationally decreasing trend. The elderly and male populations continue to experience greater ASMRs. Overall, our findings provide key insights for identifying at-risk populations, guiding the development of targeted strategies to reduce disparities.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».