Global paid and unpaid productivity losses due to cancer-related mortality
Notice bibliographique
Résumé
BACKGROUND: Cancer is among the most important causes of premature deaths globally. We estimated the value of paid and unpaid productivity losses due to premature mortality in 2022 from all cancers worldwide. METHODS: Years of productive life lost were derived from cancer mortality data for 36 cancer types among people of working age (15-64 years) in 185 countries for the year 2022. Paid productivity losses were estimated using the human capital approach, while unpaid activities were valued using the opportunity cost approach. Lost productivity was estimated using wages, workforce statistics, and time spent on unpaid activities from various sources. All analyses were performed by sex and age group for each country. RESULTS: In 2022, productivity losses from premature cancer mortality were valued at an estimated US$566 billion, equivalent to 0.6% of the global gross domestic product. Of the total value, 53.9% (US$305 billion) was attributable to paid productivity losses, and 46.1% (US$260 billion) to unpaid productivity losses. Paid productivity losses were generally higher among men, while unpaid productivity losses were greater among women, with variations seen across world regions. The total value of lost productivity was greatest for lung cancer, followed by breast and liver cancers. Per cancer death, testicular cancer, melanoma of the skin, and brain and nervous system cancer generated the highest value of productivity losses. CONCLUSION: The substantial value of productivity losses from premature cancer mortality highlights its marked societal burden. Continuous investments in global cancer control efforts, including in less common cancers, will yield substantial returns-on-investment to national economies, especially in transitioning countries.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».