Analysis of global skin cancer epidemiology in 2022 and correlation with dermatologist density
Notice bibliographique
Résumé
Dear Editor, Skin cancer represents a significant health burden, with rising incidence worldwide.1 We analysed melanoma and nonmelanoma skin cancer rates across 185 countries, examining the relationship with dermatologist density to understand healthcare system effectiveness.The International Agency for Research on Cancer (IARC) GLOBOCAN 2022 estimates provided data for melanoma (ICD-10 code C43) and nonmelanoma skin cancer (NMSC, ICD-10 code C44), with NMSC incidence excluding basal cell carcinoma while mortality includes it.2 CDC data contributed melanoma incidence by ethnicity in the United States.3 Agestandardized rates per 100,000 person-years were calculated using the World standard population, accounting for varying population age structures.4 Dermatologist density data was sourced from an unpublished L'Oreal survey covering 31 countries, with density calculated per 100,000 population.5 This survey compiled information from official registries, publications and professional associations.5 In 2022, there were 331,722 estimated melanoma cases (58,667 deaths) and 1.2 million NMSC cases (69,416 deaths) globally.The highest age-standardized incidence rates (ASR) for melanoma were found in Oceania (29.78/100,000),North America (16.3) and Europe (10.43).Notably,
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».