MétaCan
Menu
Retour à la cohorte
Enregistrement W1575827890 · doi:10.1002/0471463736.tnmp09

The Role of Prognostic Factors in Cancer Research

2003· other· en· W1575827890 sur OpenAlexaff
Patti A. Groome, William J. Mackillop

Notice bibliographique

RevueTNM Online · 2003
Typeother
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensKingston General HospitalQueen's University
Organismes subventionnairesnon disponible
Mots-clésDiseaseIdentification (biology)Affect (linguistics)CausationQuality (philosophy)MedicineCancerSelection (genetic algorithm)Intensive care medicinePsychologyInternal medicineComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Knowledge about how the characteristics of the individual patients and their diseases will shape their future is useful when they are making decisions about their lives and when they and their doctors are making treatment decisions. When a patient's prognosis changes, new evaluation occurs that can affect further decisions about management. In all instances, knowledge about prognosis improves the quality of decisions by reducing uncertainty. In this chapter, we discuss the role of known prognostic factors in clinical research where the research products facilitate either direct or indirect improvement in the quality of clinical decision making. Figure 9.1 depicts the uses of the output of various types of clinical research and the role that prognostic factors play in that research. In research that focuses on outcome prediction, formal consideration of the combined role of known prognostic factors through the development of predictive tools can improve the clinician's ability to prognosticate. In research on treatment effectiveness, consideration of known prognostic factors allows the researcher to isolate the effect more efficiently through case selection or through the control of prognostic differences between the treatment and control groups. When subgroups defined by important prognostic factors are analyzed separately, the researcher is able to determine whether treatment is equally effective across the groups, enhancing the clinician's ability to apply research findings to different patients. In research about cancer progression and treatment resistance, identification of clinical prognostic factors can provide a starting point for better understanding of these mechanisms and possibly even disease causation, which may lead to the development of new interventions. Last, in health services research, consideration of the variations in the distributions of prognostic factors among populations of patients permits the study of health system effects.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,188
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,496
Tête enseignante GPT0,521
Écart entre enseignants0,025 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTNM OnlineMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207