Twenty years of breast cancer epidemiology and treatment patterns in São Paulo, Brazil—observed versus expected treatment utilization in a retrospective cohort
Notice bibliographique
Résumé
Background: Over half of new breast cancer cases occur in low- and middle-income countries, with disparities in survival outcomes due to late-stage diagnoses, healthcare access gaps, and biological differences. This retrospective cohort study examined trends in survival, stage distribution, and treatment utilization for breast cancer in Brazil, an upper middle-income country. Methods: Patients newly diagnosed with invasive breast cancer between 2000 and 2019 were identified from São Paulo's Oncocenter Foundation registry. Data on demographics, diagnosis stage, diagnosis-to-treatment intervals, and treatments received were analyzed in 5-year blocks. Median overall survival was estimated using the Kaplan-Meier method. Actual treatment utilization was compared to model-based estimates of optimal utilization derived from the National Comprehensive Cancer Network Guidelines' Enhanced and Maximal Resource Modules. Findings: We included 125,005 patients, with a median age at diagnosis of 55 years (interquartile range 46-75); 99.4% (n = 124,218) were female. The proportion with early disease remained stable over time (61.7% in 2000-2004, 62.4% 2015-2019). Median overall survival increased from 10.7 years (2000-2004) to 11.7 years (2010-2014); median survival for 2015-2019 was not reached. Median overall survival was 20.8, 15.1, 6.8, and 2.0 years for stages I-IV, respectively. Median diagnosis-to-treatment interval more than doubled over time. From 2000 to 2004 to 2015-2019, chemotherapy use decreased from 71.5% to 68.9%; radiotherapy use decreased from 64.0% to 56.5%, and surgery utilization decreased from 80.3% to 74.8%; endocrine therapy use varied between 54% and 62%. Gaps between observed and model-based estimates of treatment utilization were seen across all stages. Interpretation: Overall survival in patients with breast cancer in São Paulo has improved over time. However, significant treatment gaps and increasing diagnosis-to-treatment intervals suggest systemic barriers to optimal care delivery. Funding: No funding received.
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 | 0,000 |
| 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 ».