Economic burden attributable to high BMI-caused cancers: a global level analysis between 2002 and 2021
Notice bibliographique
Résumé
BACKGROUND: Obesity and overweight are prevailing concerns in modern society, but high BMI shows an established correlation with the risk of cancers that impacts not only medical issues but also economic performance. This study analyzes the economic loss due to high BMI-caused cancers (HBCCs). METHODS: This study used the comprehensive Global Burden of Disease (GBD) 2021 database and estimated the economic loss of HBCCs through the Value of Statistical Life approach (VSLA), incorporating a willingness-to-pay metric. Health burdens are expressed in age-standardized DALYs and death rates, and economic burdens are shown in dollars lost (2021 PPP) calculated from total DALYs. A joinpoint regression analysis was utilized to capture the temporal trends, cancer incidence, and economic losses attributed to high BMI across various countries and income levels. We calculated the average annual percentage change (AAPC) in total economic loss to evaluate the trend over the study period. RESULTS: There is a growing trend in both economic loss and disease burden of HBCCs on a global level. Colon and rectum cancer (CRC) show the highest economic loss ($2593.159 million, UI: 1109.04-4119.61, to $7294.52 million, UI: 3134.75-11,511.13), with pancreatic (AAPC: 10.47*, CI: 8.01-13.51) and liver cancer (AAPC: 8.08*, CI: 5.77-10.35) being the fastest growing cause. The cancer burden for all measures positively correlates with the country's income level; high-income countries are the only group to experience a decreasing trend in the health burden, but they are still increasing in economic burden. Differences in loss of certain types of cancer and gender gap are observed in different income tiers. CONCLUSIONS: These findings indicate a significant upward trend in economic loss, highlighting the urgency for strengthened policy measures. It is crucial for policymakers to implement effective risk reduction and resilience-building strategies to mitigate future economic loss and better protect vulnerable communities.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».