National cancer system characteristics and global pan-cancer outcomes.
Notice bibliographique
Résumé
1625 Background: Approximately 29.9 million cancer cases and 15.3 million deaths are anticipated by 2040 globally. Health systems must invest in cancer system strengthening. A greater understanding of health system factors that can be leveraged to improve cancer control may guide health system planning. Therefore, we conducted a pan-cancer ecological study making use of most recent available national health system metrics for cancer outcomes and health system metrics, spanning the breadth of global income levels across 185 countries. Methods: Estimates of age-standardized mortality-to-incidence ratios were derived from GLOBOCAN 2022 for patients with cancer of all ages. Health spending (% of gross domestic product [GDP]), physicians/1000population, nurses and midwives/1000population, surgical workforce/1000population, GDP per capita, Universal Health Coverage Service Coverage Index (UHC index), availability of pathology services, human development index, gender inequality index, radiotherapy centers/1000population, and out-of-pocket expenditure as percentage of current health expenditure were collected. The association between MIR and each metric was evaluated using univariable linear regressions. Metrics with P < 0.0045 (Bonferroni corrected) were included in multivariable models. Variation inflation factor allowed exclusion of variables with significant multicollinearity. R2 defined goodness of fit. Results: On univariable analysis, all metrics were significantly associated with MIR of cancer (P < 0.001 for all). After including metrics significant on univariable analysis and correcting for multicollinearity, the final multivariable model had R2 of 0.8729. Therefore, the following variables were associated with lower (improved) MIR for cancer: 1) nurses/midwives per 1000 population (β = —0.0049, P < 0.057), 2) UHC index (β = —0.0042, P < 0.001), 3) radiotherapy centers per 1000 population (β = —11.21, P = 0.072), and 4) GDP per capita (β = —1.7x10-6, P < 0.001). On analysis stratified by sex, the following were associated with improved MIR for all cancers among females: 1) UHC index (β = —0.0042, P < 0.001), 2) GDP per capita (β = —9.9x10-7, P = 0.02), and 3) gender inequality index (β = 0.13, P = 0.084) (R2 0.8699). The following were associated with improved MIR for all cancers among males: 1) nurses/midwives per 1000 population (β = —0.0053, P = 0.066), 2) UHC index (β = —0.0042, P < 0.001), 3) radiotherapy centers per 1000 population (β = —12.37, P = 0.076), 4) GDP per capita (β = —2.31x10-6, P < 0.001) (R2 0.8485). Conclusions: This comprehensive pan-cancer analysis of health system metrics suggests progress towards UHC, strengthening the nursing/midwifery workforce, facilitating access to services such as radiotherapy, and mitigating gender inequality are key priorities in cancer control. These generalizable findings may guide efforts to strengthen cancer systems throughout the world.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| 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) | 0,012 | 0,001 |
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 ».