Non-Performance of Cancer Screening in Peru: A Comparative Analysis between Regions Exposed and Unexposed to Ozone Layer Mini-Hole
Notice bibliographique
Résumé
Objective: To determine the prevalence and factors associated with non-performance of cancer screening in Peru based on an analysis between a department exposed to an ozone layer mini-hole versus an unexposed one. Materials and Methods: Analytical cross-sectional study. The study included individuals aged 15 years and older who responded to questions about cancer screening in the Demographic and Family Health Surveys 2017-2022, comparing a department exposed to an ozone layer mini-hole (Arequipa) with an unexposed one (Lima). Sociodemographic, geographic, health status, and cancer knowledge variables were obtained. Multivariate analysis was performed using Poisson regression with robust standard error. Results: The study included 10,546 people. The prevalence of non-performance of cancer screening was 75.2%. Multivariate analysis revealed that male sex was a significant risk factor (aPR=1.41; 95% CI: 1.37-1.44), while access to health insurance (aPR=0.91; 95% CI: 0.89-0.93) and the belief that cancer is preventable (aPR=0.92; 95% CI: 0.88-0.95) were protective factors. Education level and wealth index also showed associations with aPR values close to 1. Residence in Arequipa was not a significant factor for non-participation in cancer screening. Conclusion: The prevalence of non-performance of cancer screening was high. The main factor associated with not undergoing cancer screening was male sex, while having access to health insurance and believing that cancer is preventable were protective factors.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».