Notice bibliographique
Résumé
Head and neck cancers comprise 6 % of cancer cases worldwide. Oral cavity and oropharynx cancers are among the most common head and neck cancers. The treatments for these malignancies have improved over the past few decades and a significant portion of patients will experience long-term survival after diagnosis. Sleep problems are common and often severe in this group. Risk factors that predispose patients to head and neck cancer are also important co-factors in sleep disorders. Smoking, alcohol abuse, advanced age, hypothyroidism are among the risk factors that are common in both head and neck cancer patients and patients with sleep problems. The available data on the prevalence, severity and impact of sleep problems in this group is extremely limited currently. In the past two decades researchers have identified very high prevalence of sleep problems, before and after treatments. Sleep problems in form of obstructive sleep apnea and subjective sleep quality tend to correlate with xerostomia, depression, pain, presence of tracheostomy and feeding tubes among other factors. Diagnosis is based on subjective questionnaires and sleep studies. Treatments are available and effective. These include addressing pain and depression, correcting underlying hypothyroidism, alleviating xerostomia, treating obstructive sleep apnea and removing unnecessary tracheostomies and feeding tubes. Improving quality of sleep has shown to improve the overall quality of life and productivity of the survivorship group. Sleep problems are a fertile ground of research in head and neck oncology and more data is expected to be available on this topic in the coming years. In this chapter the incidence, diagnosis and treatment of sleep problems in oral cavity and oropharynx cancer patients is discussed. The available data is reviewed and analyzed. An algorithm is proposed to approach and treat sleep problems in these patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».