Impact of COVID-19 pandemic on childhood cancer incidence and stage in France – A national registry-based study
Notice bibliographique
Résumé
COVID-19 pandemic has considerably affected access to healthcare ressources with global decline in cancer care activities in 2020. This national study aimed to assess a possible impact of the pandemic on the management of pediatric cancer cases. Methods The study was based on the French National Childhood Cancer Registry and included all cases of cancer under 18 years of age diagnosed between January 1, 2016 and December 31, 2020. We estimated incidence rates, the proportion of advanced/metastatic stages (Toronto Pediatric Cancer Stage Guidelines) and the distribution of treatment initiation time during the 2020 pandemic period compared to the 2016-2019 reference period. Results Age-standardized incidence rates of overall pediatric cancer were similar in 2020 (161.4 cases per million person-years; 2,250 cases) and in 2016–2019 (162.4 cases per million person-years; 9,208 cases). They were also similar by sex, age group, region, and cancer type. We did not observe any significant differences in stage at diagnosis or median time to treatment. Conclusion Our nationwide population-based study suggests that pediatric cancer management was not substantially altered in 2020, despite the challenges induced by the COVID-19 pandemic and associated lockdown.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».