A méhnyakrák epidemiológiai mutatói 2000–2019 között Magyarországon megfigyelhető változásának elemzése nemzetközi összevetéssel
Bibliographic record
Abstract
A méhnyakrák egy ma már megelőzhető, mégis az európai átlagnál magasabb mortalitási rátát mutató betegség Magyarországon. Kutatásunk célja a hazai méhnyakszűréshez köthető mutatók vizsgálata hazai és nemzetközi viszonylatban. Kvantitatív, retrospektív kutatást végeztünk. Adataink az OECD Health Statistics, a Nemzeti Rákregiszter és a Központi Statisztikai Hivatal adatbázisából származnak a 2000–2019 közötti időintervallumban. Az OECD tagállamok tekintetében a 100 ezer főre vetített, standardizált halálozási arányszámot és a szűrésen való részvételi arányt (%) válogattuk le. Kétmintás t-próbát, lineáris- és β-regressziót, valamint Pearson-féle korrelációanalízist számoltunk, továbbá kétlépcsős klaszterelemzést végeztünk (IBM-SPSS 25.0; STATA 14.2). A méhnyakrák prevalenciája 2000-ben 30,2/100 ezer fő volt, ami 2019-ben 20,1/100 ezer főre esett vissza. 2010-ben volt a legkisebb a méhnyakrák előfordulási gyakorisága (18,5/100 ezer fő). Hazánkban a szűrővizsgálatokon való részvételi arány 2006-ban 47,2% volt, és az évek során folyamatosan csökkent, 2019-ben a 20–69 éveseknek már csupán a 30,2%-a jelent meg szűrésen. 2019-ben Magyarországon 6,0/100 ezer fő volt a halálozási ráta, ami a 2000-es értéknél 30,2%-kal kisebb, azonban az európai átlagnál (3,8/100 ezer fő) még mindig nagyobb. Kutatásunk során megállapítottuk, hogy amelyik országban többen vettek részt a méhnyakszűrésen, ott a 2019-es év adatai alapján (r = –0,697; p = 0,017) kevesebben haltak meg méhnyakrákban. Magyarországon továbbra is kihívást jelent a magasabb részvételi arány elérése a méhnyakszűrésen, ugyanakkor csökkent a mortalitás mértéke. A lakosság egészségtudatosságának növelésére irányuló intézkedések mellett a szolgáltatói oldal szerepének fontosságát és annak lehetőségeit is szükséges tudatosítani egy még eredményesebb szűrőprogram érdekében.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
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".