Projection du fardeau du cancer au Canada en 2022
Bibliographic record
Abstract
Résumé Contexte: Le cancer est la principale cause de décès au Canada et a des répercussions majeures sur la santé de la population et l’économie au pays. Nous avons voulu fournir des estimations à jour de l’incidence du cancer et de la mortalité due au cancer pour mettre en évidence les progrès réalisés et les domaines où il faut planifier et sensibiliser. Méthodes: Nous avons estimé les cas, les décès et le taux d’incidence normalisé selon l’âge (TINA) et le taux de mortalité normalisé selon l’âge (TMNA) en 2026, en fonction de la population canadienne type de 2021, par sexe et province ou territoire. Nous avons utilisé les données du Registre canadien du cancer (jusqu’à 2022) et celles de la Base canadienne de données de l’état civil — décès (jusqu’à 2023). Nous avons modélisé l’incidence et la mortalité au moyen de la trousse du logiciel Canproj. Résultats: Au Canada, on estime qu’en 2026, 254 100 personnes recevront un diagnostic de cancer et que 87 900 mourront de cette maladie. Dans l’ensemble, le TINA (591,4 pour 100 000) et le TMNA (200,0 pour 100 000) devraient diminuer par rapport aux années précédentes. On estime que les cancers du poumon, du sein, de la prostate et le cancer colorectal devraient représenter 47 % de tous les nouveaux cas. Le TINA pour tous les types de cancer combinés devrait être de 16 % plus élevé chez les hommes que chez les femmes (642,2 c. 553,9 pour 100 000) et le TMNA, de 36 % plus élevé (235,8 c. 172,8 pour 100 000). Des résultats notables ont été observés dans les taux de cancer spécifiques selon le sexe. Interprétation: Les taux d’incidence et de mortalité due au cancer normalisés selon l’âge devraient diminuer au Canada; cependant, le nombre de nouveaux cas et le nombre de décès devraient demeurer à des niveaux élevés, compte tenu de la croissance et du vieillissement de la population ainsi que des effets différentiels prévus selon le sexe. Ces résultats indiquent qu’il faut continuer d’investir et de faire preuve de diligence pour poursuivre les progrès importants dans la lutte contre le cancer face aux changements démographiques en cours.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".