Obesity-Associated Cancers: A United States Cancer Statistics (USCS) Database Analysis
Notice bibliographique
Résumé
BACKGROUND: Obesity is a well-established risk factor for various cancers, contributing to significant public health burdens. Disparities in obesity-associated cancer incidence exist across racial, age, and geographic groups, necessitating targeted prevention and intervention strategies. OBJECTIVE: The aim of this study is to analyze the incidence rates of obesity-associated cancers across different racial, age, and geographic groups in the United States from 2017 to 2021, identifying key disparities to inform public health interventions. METHODS: A retrospective analysis of cancer incidence data from national registries was conducted. Age-adjusted incidence rates (per 100,000 population) were calculated across racial/ethnic groups, age cohorts, and US states. Descriptive statistics and confidence intervals were used to assess disparities. RESULTS: Black, non-Hispanic individuals had the highest obesity-associated cancer incidence (184.8 per 100,000), followed by American Indian/Alaska Native populations (179.3 per 100,000). Incidence rates increased with age, peaking at 75-79 years (788.7 per 100,000 overall). Geographically, Midwestern and Southern states exhibited higher incidence rates, with West Virginia reporting the highest (188.3 per 100,000) and Nevada the lowest (149.5 per 100,000). These findings highlight significant racial, age, and regional disparities. CONCLUSION: The study underscores the need for targeted public health strategies, including enhanced screening, culturally tailored interventions, and policy-driven approaches to address obesity and its related cancer risks. Future research should explore individual-level risk factors and effective interventions to promote equitable healthcare access and improved 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 | 0,002 |
| 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 ».