Macrolevel Analysis of Labour Productivity Losses Associated With Breast Cancer Among Women in 47 African Countries
Notice bibliographique
Résumé
Background: Breast cancer remains one of the major diseases affecting women in the world. Relative to high‐income settings, women in low‐income settings such as Africa are less likely to be diagnosed with breast cancer and are more likely to die when they are affected by the disease. Apart from the negative health consequences of breast cancer, it could also reduce the labour productivity (LP) of the affected persons, at both the micro‐ and macrolevels. Nonetheless, empirical evidence on LP effects of breast cancer are scant and mostly focused on the microlevel and, hence, do not provide broader insights into the productivity losses associated with the disease. This study, to the best of our knowledge, therefore, provides the first cross‐country macrolevel empirical evidence of the effect of breast cancer (among women) on LP in Africa. Methods: The study uses data on 47 African countries spanning the period 1992–2021. Disability‐Adjusted Life Years (DALYs) associated with breast cancer in women is used as the baseline measure of breast cancer, while Years Lived with Disability (YLDs) and deaths associated with the disease in women are used as robustness measures. The system Generalised Method of Moments (GMM) regression is used as the main estimation technique, while two other estimators are used for robustness purposes. Results: Our analysis reveals a negative statistically significant association between breast cancer DALYs and LP. Specifically, we find a percentage increase in breast cancer DALYs to be associated with a 0.27% and 0.87% fall in LP in the short‐ and long‐run periods, respectively, at the 1% level of significance. The findings are robust using the other measures of breast cancer and different estimation techniques. Conclusion: There is a need to enhance measures towards breast cancer prevention and control in Africa such as timely diagnosis, all‐inclusive management of breast cancer, health promotion geared towards early detection and the creation of dependable referral systems to significantly reduce its associated LP losses.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,007 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».