Notice bibliographique
Résumé
e17540 Background: Globally, over 900,000 women have been diagnosed with ovarian cancer in the last five years with approximately 7 of every 10 women diagnosed in advanced stages. Projections are that ovarian cancer will claim more than 8 million lives between 2022-2050 without better control measures. Methods: Our prevalence-based cost-of-illness approach uses a societal perspective to estimate the burden of ovarian cancer in 11 countries. We quantify the annual socioeconomic costs to patients, caregivers, health systems, and the economy. We include both direct costs - medical costs across the care continuum - and non-medical costs - including patient time travelling to and receiving care. Indirect costs included: 1) labour force productivity losses due to cancer-attributable absenteeism, presenteeism, and labour force dropout; and 2) informal caregiving costs. We also report the societal value of lives lost due to ovarian cancer. We developed an Excel-based tool using data from the the World Ovarian Cancer Coalition's Every Woman Study and the WHO’s Cancer Programme, to develop a micro-costing framework that assesses resources and costs of providing care for ovarian cancer, and data from novel SLRs and meta-analyses that assessed the effect of cancer on patient labour productivity outcomes and the time caregivers spent caring for people living with cancer. Results: In 11 countries, we estimated USD 70 billion in socioeconomic losses due to ovarian cancer. Patients spent 3,663 years traveling to—or receiving treatment. Women lost labour productivity equivalent to 2.5 million workdays due to ill-health from ovarian cancer and 9,403 women living with ovarian cancer or survivors were missing from the workforce. Caregivers spent 17,112 person years providing practical support to patients, —an average of 33 days per woman living with ovarian cancer. Conclusions: We find substantial socioeconomic costs accruing to a range of stakeholders. It is imperative to align strategies that can prevent ovarian cancer, while also strengthening support for patients, caregivers, and health systems. Socioeconomic costs attributable to ovarian cancer, by category & country (2022 USD, millions). Cost totals Australia Canada UK USA Colombia Kazakhstan Malaysia India Kenya Nigeria Malawi ALL HE (% Total Health Expenditure) 187.9 (0.10%) 391.7 (0.16%) 653.7 (0.19%) 2,378.0 (0.06%) 100.0 (0.35%) 45.6 (0.59%) 49.6 (0.30%) 1313.4 (0.13%) 8.3 (0.16%) 85.5 (0.48%) 0.8 (0.08%) 5,214.4 Patient time 16.9 21.2 32.5 181.2 1.9 1.2 2.4 22.0 0.3 0.6 0.1 280.3 Productivity 29.5 38.9 52.5 312.5 2.8 3.3 7.6 15.3 0.8 1.6 0.3 465.1 Informal caregiving 33.0 69.3 95.7 228.0 4.4 1.2 6.3 28.8 1.8 2.5 0.8 228.0 Mortality costs 2,383.4 4,311.4 6,724.0 48,740.0 150.0 124.6 326.9 776.0 18.1 42.5 0.8 63,597.5 SEB (% of GDP) 2,650.7 (0.16%) 4,832.4 (0.22%) 7,558.3 (0.24%) 51,839.5 (0.20%) 259.1 (0.08%) 175.8 (0.08%) 392.8 (0.10%) 2,155.5 (0
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».