Utafiti huu unachunguza kwa kiwango gani sababu za kifo zilizorekodiwa kwa wagonjwa wa saratani zinalingana na utambuzi wao wa saratani wa awali, na kama kutolingana huko ni kwa nasibu au kunakusanyika katika mielekeo fulani ya anatomia. Katika jimbo la Ceará nchini Brazil, rekodi za vifo kati ya 2014–2019 ziliunganishwa na sajili za saratani zinazotegemea idadi ya watu na vifo 11.226 vya saratani vilivyothibitishwa kihistolojia vikachambuliwa. Katika 2.502 kati ya hivyo, takriban %22, Sababu ya Kifo iliyorekodiwa (Cause of Death, CoD) haikulingana na utambuzi wowote wa saratani katika historia ya utambuzi wa mgonjwa. Watafiti walimodeli kutolingana huku kati ya Utambuzi wa Mwisho (Last Diagnosis, LD) na CoD kama Mtandao wa Kutolingana (Inconsistency Network, IN) wenye mwelekeo na uzito. Miongoni mwa mifumo iliyoonekana wazi zaidi kulikuwa na miunganisho ya Cervix→Uterus, Stomach→Esophagus na Breast→Lung. Kwa wanawake, mtiririko kutoka utambuzi wa mwisho wa saratani ya matiti kwenda sababu ya kifo ya saratani ya mapafu ulionyesha, katika hesabu iliyosahihishwa, mwelekeo wa kuongeza kiwango cha vifo vya saratani ya matiti na kupunguza kiwango cha vifo vya saratani ya mapafu. Hata hivyo, utafiti ni wa uchunguzi; hakuna ulinganishaji wa autopsy wa mtu mmoja mmoja uliofanywa kuthibitisha moja kwa moja kwamba sababu ya kifo iliandikwa vibaya au kwamba metastasis ndiyo iliyokuwa mekanizimu halisi ya kifo.

Jambo muhimu katika utafiti huu ni kwamba hauangalii kutolingana kwa cheti cha kifo kama kiwango cha jumla cha kosa pekee, bali unachunguza kutoka eneo gani la saratani kwenda eneo gani rekodi inahamishwa. Katika model ya mtandao, ukingo wenye mwelekeo unawakilisha visa ambapo utambuzi wa mwisho wa primary malignancy wa mgonjwa uko katika eneo moja la anatomia lakini sababu ya kifo imeandikwa kama saratani ya eneo jingine. Kati ya jozi 25 za LD→CoD zilizoonekana mara nyingi zaidi, Cervix→Uterus ilikuwa na vifo 115 visivyolingana, Stomach→Esophagus 99, Colorectum→Gastrointestinal Tract 87 na Breast→Lung 52. Kati ya visa vya Breast→Lung, 50 vilikuwa kwa wanawake.

Utafiti pia unalinganisha uwezekano wa metastasis katika data set huru ya autopsy yenye visa 1.922 iliyokusanywa kutoka fasihi na uwezekano wa kutolingana katika mtandao. Jozi ya Breast→Lung ilionyesha uwezekano mkubwa wa kutolingana na pia uwezekano mkubwa wa metastasis, huku Wilson confidence intervals zikiwa nyembamba kiasi. Ulinganifu huu unaunga mkono hypothesis kwamba baadhi ya rekodi za kifo zilizoandikwa kama saratani ya mapafu zinaweza kuhusiana na saratani ya matiti yenye metastasis; lakini kwa sababu data sets tofauti zilitumika, uhusiano huu si ushahidi wa moja kwa moja katika visa vya mtu mmoja mmoja.

Kwa mtazamo wa Uturuki: Mbinu ya utafiti inaweza kuchunguzwa kimetodolojia nchini Uturuki katika mazingira ambako inawezekana kuunganisha data kati ya sajili za saratani, mfumo wa taarifa za vifo, rekodi za hospitali na vyanzo vinavyofaa vya uthibitishaji. Hasa, kuchunguza kwa mitandao yenye mwelekeo kama primary tumor na eneo la metastasis vinachanganywa katika vyeti vya kifo kunaweza kuchangia quality control ya takwimu za cancer mortality. Hata hivyo, kiwango cha %22 cha kutolingana huko Ceará, distribution ya Breast→Lung au mielekeo ya correction iliyokokotolewa katika utafiti haviwezi kutumika moja kwa moja kwa cancer mortality ya Uturuki. Kwa Uturuki kunahitajika record linkage tofauti, uthibitishaji wa utambuzi, uchanganuzi wa coding practices na, ikiwezekana, uthibitishaji huru wa clinical au post-mortem.

Tatizo kuu la utafiti ni nini?

Katika takwimu za cancer mortality si muhimu tu kujua watu wangapi wamekufa, bali pia kifo kimehusishwa na primary cancer gani. Nafasi za kitaifa na kikanda za mzigo wa saratani, ugawaji wa rasilimali za afya, screening programs na treatment planning zinaweza kutegemea classifications hizi. Lakini eneo la saratani linaloandikwa kwenye cheti cha kifo si lazima liwe sawa kila mara na primary tumor halisi ya mgonjwa.

Tatizo linaloshughulikiwa na watafiti ni kwamba correction methods za kawaida mara nyingi hugawa upya aggregated statistics, lakini hazionyeshi moja kwa moja safari ya anatomia katika historia ya utambuzi wa mgonjwa. Utafiti unashughulikia pengo hili kwa kumodeli uhusiano kati ya Utambuzi wa Mwisho (LD) wa kila mgonjwa na Sababu rasmi ya Kifo (CoD) kama mtandao wenye mwelekeo.

Ni data gani zilitumika?

Utafiti una vipengele vinne vya data:

Registry Dataset iliundwa kwa kuunganisha rekodi za Mortality Information System (SIM) ya Brazil na data za Population-Based Cancer Registries (RCBP). Cancer diagnoses zilizoingia katika utafiti zilithibitishwa kihistolojia.

Kifo “kinacholingana” na “kisicholingana” kilifafanuaje?

Ikiwa historia ya utambuzi wa mgonjwa ilikuwa na angalau cancer diagnosis moja inayolingana na CoD iliyo kwenye death certificate, kifo kilichukuliwa kuwa kinacholingana. Ikiwa hakuna cancer site katika historia ya utambuzi iliyolingana na CoD iliyorekodiwa, kifo kilichukuliwa kuwa kisicholingana.

Jumla ya vifo hugawanywa kama:

\[ N=N^{con}+N^{inc} \]

. Hapa \(N^{con}\) inaonyesha idadi ya vifo vinavyolingana na \(N^{inc}\) idadi ya vifo visivyolingana.

Kati ya rekodi 11.226, 8.724 zililingana na 2.502 hazikulingana. Vifo visivyolingana viligawanyika karibu sawa: visa 1.262 kwa wanaume na 1.240 kwa wanawake.

Inconsistency Network inafanyaje kazi?

Inconsistency Network (IN) ni grafu yenye mwelekeo na uzito inayotumia anatomical cancer sites kama nodes. Ikiwa utambuzi wa mwisho wa primary malignancy wa mgonjwa uko katika eneo \(i\), lakini sababu ya kifo iliyorekodiwa iko katika eneo tofauti \(j\), edge hutengenezwa katika mwelekeo \(i\rightarrow j\).

Uzito wa edge:

\[ w_{ij} \]

unaonyesha idadi ya vifo visivyolingana ambavyo Utambuzi wa Mwisho ni \(i\) na Sababu ya Kifo iliyorekodiwa ni \(j\). Kwa hiyo direction ni muhimu: Breast→Lung si uhusiano sawa na Lung→Breast.

Dhana muhimu ya model ni kwamba, ikiwa hakuna rekodi yoyote katika historia ya utambuzi inayolingana na CoD, Utambuzi wa Mwisho unaweza kutumiwa kama proxy bora zaidi iliyopo ya hali halisi ya ugonjwa wa mgonjwa. Watafiti wanasema wazi kwamba hii ni assumption na biological validity yake inapaswa kujadiliwa tofauti.

Ni kutolingana gani kwa anatomia kulionekana mara nyingi zaidi?

Miongoni mwa jozi 25 za LD→CoD zinazoonekana mara nyingi zaidi, miunganisho ya juu ni:

Ranking hii peke yake haimaanishi kwamba jozi zote ni coding errors halisi. Kwa mfano, ingawa Cervix→Uterus ndiyo jozi ya mara nyingi zaidi, watafiti wanasema inaweza kuhusiana zaidi na anatomical adjacency, direct tumor extension au level of coding detail kuliko distant metastasis.

Muonekano wa mtandao unaonyesha nini?

Katika Combined Inconsistency Network, ukubwa wa node unahusiana na idadi ya vifo vilivyohusishwa na anatomical site husika kama CoD; unene wa edges unaonyesha mara ngapi mtiririko fulani wa LD→CoD ulionekana. Watafiti walisisitiza anatomical sites na connections zinazofunika cumulative %50 ya vifo vyote visivyolingana kama core subnetwork.

Katika mtandao wa pamoja, Lung, Breast na Stomach ni miongoni mwa nodes kubwa, na connections tatu zinaonekana wazi zaidi: Cervix→Uterus, Breast→Lung na Stomach→Esophagus.

Katika mtandao wa wanaume, Stomach, Lung na Prostate zinaonekana zaidi, na connection nzito zaidi ni Stomach→Esophagus. Katika mtandao wa wanawake, Breast, Lung na Cervix ni nodes kuu; Cervix→Uterus ikiondolewa, edge nzito zaidi ni Breast→Lung.

Mortality rate ilikokotolewaje?

Kwa anatomical cancer site \(i\), annual mortality rate huhesabiwa:

\[ \mu_i(t)=\frac{n_i(t)}{p(t)}\times100{,}000 \]

. Hapa \(n_i(t)\) ni idadi ya vifo vinavyohusishwa na site hiyo katika mwaka \(t\), na \(p(t)\) ni idadi ya watu katika mwaka huo. Matokeo yanaonyeshwa kama vifo kwa watu 100.000.

“Effective mortality rate” inarekebisha nini?

Watafiti wanatumia directional inconsistency flows katika mtandao kufafanua corrected rate inayoitwa effective mortality rate:

\[ \mu_i^{eff}(t)=\alpha_i\mu_i(t) \]

. Correction coefficient ni:

\[ \alpha_i=\frac{n_i^{eff}}{n_i} \]

na effective number of deaths ni:

\[ n_i^{eff}=n_i-s_i^{in}+s_i^{out} \]

. Katika mtandao:

\[ s_i^{in}=\sum_j w_{ji}, \qquad s_i^{out}=\sum_j w_{ij} \]

zinaonyesha, mtawalia, weighted inconsistency flows zinazoingia kwenye node na zinazotoka kwenye node.

Logic ya structure hii ni: mismatched records zinazokuja kutoka last diagnosis nyingine kwenda site \(i\) kama CoD zinaondolewa kupitia \(s_i^{in}\); records zenye last diagnosis \(i\) lakini zinazokwenda site nyingine kama CoD zinaongezwa tena kupitia \(s_i^{out}\).

Correction ilibadilishaje cancer mortality trends?

Time series za 2009–2023 zinalinganisha Ceará na Brazil. Kwa wanaume, effective mortality rate ya saratani ya tumbo ni kubwa kuliko registered Ceará rate, wakati effective rate ya saratani ya esophagus ni ndogo. Hili linaendana na uzito wa mtiririko wa Stomach→Esophagus katika mtandao wa wanaume.

Kwa wanawake, effective mortality rate ya saratani ya matiti ni kubwa zaidi na ya saratani ya mapafu ni ndogo zaidi. Correction hii inaleta karibu trends za saratani ya mapafu kwa wanawake kati ya Ceará na Brazil, na pia inabadilisha comparison ya breast cancer mortality dhidi ya national pattern.

Hesabu hizi hazigundui visa vipya vya vifo; ni model inayogawa upya anatomical attribution ya rekodi zilezile za vifo kulingana na mielekeo ya mismatch iliyozingatiwa kwenye mtandao.

Kwa nini Breast→Lung ilichunguzwa maalum?

Jozi ya Breast→Lung inaonekana muhimu kwa sababu mifumo miwili huru inakutana katika mwelekeo huo huo. Katika Registry Dataset, mismatch kati ya last breast-cancer diagnosis na lung-cancer CoD inaonekana mara nyingi kiasi, na katika independent Autopsy Dataset uwezekano wa breast cancer metastasis kwenda lung pia ni mkubwa.

Watafiti wanalinganisha probabilities mbili kwa kila anatomical pair:

• \(P_{ij}^{inc}\): uwezekano kwamba cancer death yenye last diagnosis \(i\) itaclassify vibaya kama \(j\) katika CoD.
• \(P_{ij}^{met}\): uwezekano wa metastasis kutoka primary cancer site \(i\) kwenda site \(j\).

Katika Kielelezo 3, probabilities hizi mbili zinalinganishwa kwenye logarithmic axes. Breast→Lung ni moja ya jozi muhimu katika core subnetwork kwa kuwa na \(P_{ij}^{inc}\) ya juu na \(P_{ij}^{met}\) ya juu zaidi.

Wilson confidence intervals zinaongeza nini?

Katika Kielelezo 4, \(P_{ij}^{inc}\) na \(P_{ij}^{met}\) kwa anatomical pairs zilizochaguliwa zinaonyeshwa pamoja na two-sided Wilson score confidence interval. Kwa Breast→Lung, probabilities zote mbili kuwa juu na confidence intervals kuwa nyembamba kiasi husaidia watafiti kuichukulia pattern hii si kama sparse network edge tu, bali kama uhusiano uliokadiriwa kwa precision bora.

Hata hivyo, confidence interval kuwa nyembamba haimaanishi mekanizimu imethibitishwa. Hasa, metastasis data haikutoka kwa watu wale wale wa Registry Dataset, bali kutoka tafiti tano tofauti za autopsy katika fasihi.

Cervix→Uterus na Breast→Lung zinaweza kutafsiriwa kwa njia ileile?

Hapana. Moja ya matokeo muhimu ya utafiti ni kwamba si connections zote nzito katika mtandao zina biological explanation ileile.

Cervix→Uterus ndiyo jozi ya LD→CoD inayotokea mara nyingi zaidi, lakini metastasis probability inayolingana nayo si kubwa. Watafiti wanajadili kwamba connection hii ina uwezekano mkubwa wa kuhusiana na anatomical adjacency, direct extension au coding detail kati ya cervix na uterus.

Stomach→Esophagus inaonekana zaidi kwa wanaume, na classification boundaries zinaweza kuwa na nafasi kutokana na anatomical continuity ya stomach, cardia, distal esophagus na esophagogastric junction.

Breast→Lung, network mismatch na independent autopsy metastasis pattern zote kuwa na nguvu katika anatomical direction ileile hufanya metastatic-spread explanation iungwe mkono zaidi kuliko kwa baadhi ya jozi nyingine.

Matokeo yanayoungwa mkono na utafiti

• Katika vifo 2.502 kati ya 11.226 vya saratani vilivyothibitishwa kihistolojia, CoD iliyorekodiwa haikulingana na cancer diagnosis yoyote katika historia ya mgonjwa.
• Mismatches hazikusambazwa sawa au kwa nasibu kabisa kati ya anatomical sites; zilikusanyika katika directional LD→CoD pairs maalum.
• Kwa wanaume Stomach→Esophagus, na kwa wanawake Breast→Lung ikiwa Cervix→Uterus imeondolewa, ni miongoni mwa network connections muhimu zaidi.
• Network-based redistribution ilitoa matokeo ya kupunguza lung-cancer mortality na kuongeza breast-cancer mortality kwa wanawake.
• Kwa wanaume, approach hiyo hiyo ilitoa mwelekeo wa kupunguza esophageal mortality na kuongeza stomach-cancer mortality.
• Mismatch pattern ya Breast→Lung ina biological consistency na high breast→lung metastasis probability katika separate autopsy data set.

Matokeo ambayo utafiti haujathibitisha

• Haijathibitishwa kwamba vifo vyote 2.502 visivyolingana vilitokana na death certificates zilizojazwa vibaya.
• Haijathibitishwa moja kwa moja kwamba Last Diagnosis inawakilisha true underlying cause of death kwa kila mgonjwa.
• Haijaonyeshwa kwamba visa vyote 52 vya Breast→Lung vilikuwa metastatic breast cancer.
• Metastasis status ya watu katika Registry Dataset haikuthibitishwa kwa autopsies za watu wale wale.
• Directional network relationships peke yake hazithibitishi kwamba metastasis ilisababisha misclassification.
• Kiwango cha %22 huko Ceará hakiwezi ku-generalize moja kwa moja kwa Brazil yote au nchi nyingine.
• Effective mortality rate si independent gold-standard cause-of-death measure; ni network-based redistribution estimate iliyofafanuliwa katika utafiti.

Nguvu za utafiti ni zipi?

Moja ya nguvu za utafiti ni ku-link death records na individual cancer-diagnosis history. Pili, haumodeli total mismatch rate pekee bali pia direction ya mismatch. Tatu, patterns katika diagnosis–cause-of-death network zinalinganishwa na independent autopsy metastasis data. Zaidi ya hayo, uncertainty katika probability estimates linaonekana kupitia Wilson confidence intervals.

Mapungufu makuu ni yapi?

Watafiti wanabainisha mapungufu kadhaa muhimu. Autopsy metastasis estimates si za kipindi kilekile na Registry Dataset ya sasa; tafiti tano za autopsy zilizotumika zinaenea katika 1950–2016. Disease stage, treatment information na time from diagnosis to death hazikujumuishwa katika Registry Dataset analysis. Sharti la histological confirmation linaweza kuleta selection bias. Kuna heterogeneity kati ya autopsy studies, na generalizability nje ya Ceará ni ndogo.

Methodological limitation muhimu zaidi ni kukubali LD kama “best available disease proxy”. Assumption hii inaweza kutoa cases zenye clinical plausibility; lakini si gold standard inayobainisha kwa uhakika primary cause of death katika mismatched cases zote.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti ni retrospective, population-based observational record-linkage study inayochunguza cancer deaths katika jimbo la Ceará. Kipindi kikuu cha individual-level study ni 2014–2019. Mortality na population time series zimepanuliwa hadi 2009–2023.

Sampuli na record linkage

Urefu wa diagnosis history unatofautiana kutoka record moja hadi tisa. Mismatch haikuonekana kwa wagonjwa wenye diagnosis record moja pekee; ilionekana pia katika diagnosis histories zenye urefu tofauti.

Makundi ya CoD yaliyokuwa na mismatch mara nyingi zaidi

Kati ya vifo 2.502 visivyolingana, broad organ classes zilizorekodiwa mara nyingi zaidi kama CoD ni:

Saratani ya mapafu ina idadi kubwa zaidi katika mismatched CoD categories, ikiwa na visa 344.

Makundi ya LD yaliyokuwa ya kawaida zaidi

Jedwali hizi mbili peke yake hazionyeshi category ipi ilichanganywa na ipi. Mchango wa network approach ni kuchukua LD na CoD kama directional pairs.

Statistical uncertainty

Kwa estimates zilizochaguliwa za \(P_{ij}^{inc}\) na \(P_{ij}^{met}\), two-sided Wilson score confidence intervals zilitumika. Breast→Lung inasisitizwa kama mfano wenye values za juu kwa probabilities zote mbili na confidence intervals nyembamba kiasi.

Chanzo hakiripoti single overall hypothesis test, single p-value threshold au multiple-comparison correction inayotumika kwa network edges zote kama main method; analysis inategemea zaidi directional network frequencies, probability estimates, confidence intervals na mortality redistribution.

Ethical approval

Research procedures ziliidhinishwa na Research Ethics Committee ya Centro Universitário Christus – Unichristus. Chanzo kinatoa approval number 5.617.938 na CAAE number 30203820.8.0000.5049.

Tafsiri ya utafiti kwa public health

Ujumbe wa matumizi ni kwamba cancer mortality rankings zinaweza kuwa sensitive kwa primary-site assignment kwenye death certificates. Kwa mfano, ikiwa kifo cha metastatic breast cancer kinarekodiwa kama primary lung cancer, lung-cancer burden ya eneo inaweza kuonekana juu kuliko halisi, na breast-cancer burden chini kuliko halisi.

Logic hiyo hiyo inatumika kwa Stomach→Esophagus. Lakini utafiti wenyewe unaonyesha hitaji la kutenganisha anatomical adjacency, direct extension na coding detail na true metastatic misclassification. Kwa hiyo network method inapaswa kutafsiriwa kwa usalama zaidi kama signal-detection na data-quality review tool; haichukui nafasi ya independent clinical validation.

Dokezo la Chanzo na Mbinu

Jina kamili la kazi asilia: Network-based analysis of cancer mortality misclassification reveals signatures of metastatic pathways: insights into breast-to-lung and other pairs of anatomical sites

Waandishi na mpangilio: Levy R. W. Cavalcante; Erneson A. Oliveira; Hermano A. L. Rocha; Antonio S. Lima Neto; Higor S. Monteiro; Rute M. Oliveira; Cesar I. N. Sampaio Filho; Luciano P. G. Cavalcanti; Tânia M. S. Coelho; Caterina A. M. La Porta; Stefano Zapperi; Humberto A. Carmona; José S. Andrade Jr.

Equal contribution/co-first authorship: Hakuna tamko la co-first au equal contribution katika chanzo.

Corresponding-author information: Chanzo kinatoa email erneson@unifor.br kwa Erneson A. Oliveira; lakini kwa kuwa hakuna explicit “corresponding author” label, uandishi unaowajibika haukutafsiriwa zaidi ya hapo.

Institutional affiliations: Postgraduate Program in Applied Informatics, University of Fortaleza; Data Science and Artificial Intelligence Center, University of Fortaleza; Professional Masters in City Science, University of Fortaleza; Department of Community Health, Federal University of Ceará; Center of Health Sciences, University of Fortaleza; Health Secretariat of Ceará State; Department of Physics, Federal University of Ceará; Faculty of Medicine, Christus University Center; Center for Complexity and Biosystems, University of Milan; Department of Environmental Science and Policy, University of Milan; Fondazione IRCCS Ca’ Granda Ospedale Maggiore Policlinico; Department of Physics, University of Milan; Consiglio Nazionale delle Ricerche – Istituto di Chimica della Materia Condensata e di Tecnologie per l’Energia.

Aina ya chanzo: Retrospective, population-based observational record-linkage, network-analysis na mortality-modeling study.

Peer-review status: Kazi hii ni preprint ambayo haijapitia peer review; matokeo yanapaswa kutathminiwa kwa kuzingatia hatua hii ya publication.

Platform: SSRN.

DOI: 10.2139/ssrn.6958204

Tarehe ya publication: 18 Juni 2026 katika external bibliographic verification.

Official link: https://ssrn.com/abstract=6958204

DOI link: https://doi.org/10.2139/ssrn.6958204

Peer-reviewed journal/volume/issue: Hakuna peer-reviewed journal volume, issue au article number iliyothibitishwa kwa version iliyochunguzwa.

Original publisher: Peer-reviewed journal publisher haiwezi kuthibitishwa kutoka version hii; chanzo ni SSRN preprint record.

License: Creative Commons au equivalent open-reuse license haijaelezwa wazi katika version iliyochunguzwa. Kwa hiyo original network na graph figures hazikunakiliwa moja kwa moja kwenye article HTML; source numbers zimewasilishwa upya kwa standard HTML tables.

Funding: Utafiti unaripoti support kutoka CNPq, CAPES, FUNCAP, National Institute of Science and Technology for Complex Systems in Brazil na Edson Queiroz Foundation. Kwa Stefano Zapperi CAPES PrInt process no. 88887.937759/2024-00; kwa Caterina A. M. La Porta CAPES PrInt process no. 88887.937852/2024-00 na AIRC Next Generation Clinician Scientist 2022 ID 28402; na kwa José S. Andrade Jr. CNPq Award 303765/2017-8 zimetajwa pia. Funders wameripotiwa kutokuwa na role katika study design, data collection, analysis, interpretation au report writing.

Data na code sharing: Watafiti wanasema data sets na code zipo, isipokuwa Autopsy Dataset, katika https://github.com/erneson/inconsistency_networks; Autopsy Dataset ipo katika https://github.com/ComplexityBiosystems/CTC-model.

Conflict of interest: Waandishi wanasema hakuna competing interests.

Author contributions: EAO, HALR, ASL, CAMLP, SZ, HAC na JSA waliconceptualize utafiti. Methodology iliandaliwa na EAO, HALR, CAMLP, SZ, HAC na JSA. LRWC, EAO, HALR, HSM, CAMLP, SZ, HAC na JSA walichangia formal analysis na data curation. Software na visualization zilifanywa na LRWC na EAO. EAO, HALR, ASL, HSM, RMO, CINS, LPGC, TMSC, CAMLP, SZ, HAC na JSA walichangia interpretation na discussion ya results. Manuscript iliandikwa na LRWC, EAO, HALR na JSA; JSA alikuwa responsible kwa supervision na funding acquisition. Waandishi wote walireview na kuapprove final version.

Generative AI statement: Chanzo kinasema ChatGPT ilitumika wakati wa kuandaa kazi kwa language editing pekee; grammar, spelling na maboresho madogo ya clarity, baada ya hapo content ilireview na kueditwa tena na waandishi na scientific-content responsibility kubaki kwa waandishi.

Mapungufu makuu ya kimetodolojia: Utafiti unategemea observational registry data na hauthibitishi causality. Last Diagnosis si direct gold standard ya true underlying cause of death. Autopsy Dataset haikumatch wagonjwa wale wale na imejengwa kutoka tafiti tano za vipindi tofauti. Hakuna disease-stage, treatment au time-from-diagnosis-to-death information. Histological confirmation inaweza kuleta selection bias na generalizability nje ya Ceará ni ndogo.

Scientific-content boundary: Data sets, equations, network structure, numbers, anatomical pairs, mortality corrections, metastasis comparisons na interpretation limits katika maandishi haya ya Verianla yanatokana na utafiti uliokaguliwa. External sources zilitumika tu kuthibitisha bibliographic identity kama title, DOI, publication platform na date; hakuna external scientific finding iliyoongezwa kwenye main article.