Comorbidity prevalence and incidence in cancer survivors: a longitudinal All of Us study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Comorbidities worsen cancer survival, but patterns of preexisting and new-onset comorbidities among cancer survivors are unknown. METHODS: We investigated self-reported and clinically diagnosed comorbidity among cancer survivors in the All-of-Us program's national database. Eight highly prevalent comorbidities were identified using self-reported data from the personal health history survey among cancer survivors (n = 20 534) and noncancer adults (n = 113 628) and validated among cancer survivors (n = 26 978) using data from electronic health records (EHRs). Among 5-year survivors (n = 9174) documented in EHR, we further estimated the incidence of new-onset comorbidities. RESULTS: The most prevalent comorbidities identified in personal health history data were hypertension (40.5%), osteoarthritis (28.4%), depression (28.0%), and obesity (23.2%). EHR data identified preexisting comorbidities: hypertension (43.3%), osteoarthritis (29.4%), depression (19.4%), and obesity (19.1%). During 5-year survival, more than 50% of cancer survivors developed at least one new comorbidity, and more than 25% developed two or more. The onset of new comorbidities showed a sharp increase in the first-year postdiagnosis. Incidence rates varied by age, race, and ethnicity. CONCLUSION: Future research is needed to develop effective strategies to prevent new-onset comorbidities during and after cancer treatment.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 découle