Active therapy and models of care for adolescents and young adults with cancer
Notice bibliographique
Résumé
The reduction in the cancer mortality rate in adolescents and young adults (AYA) with cancer has lagged behind the reduction noted in children and older adults. Studies investigating reasons for this are limited but causes appear to be multifactorial. Host factors such as developmental stage, compliance, and tolerance to therapy; provider factors such as lack of awareness of cancer in AYA and referral patterns; differences in disease biology and treatment strategies; low accrual onto clinical trials; and lack of psychosocial support and education programs for AYA all likely play a role. Recommendations for change from a recent international workshop include education of physicians and patients concerning AYA cancer, improved cooperation between pediatric and adult centers, age-appropriate psychosocial support services, programs to help AYA with issues relevant to them, dedicated AYA hospital space, improved accrual to clinical trials, the use of technology to educate patients and enhance communication between patients and the health care team, and ensuring that resident and fellowship training programs provide adequate education in AYA oncology. The longer term goal is to develop AYA oncology into a distinct subspecialist discipline within oncology. The ideal model of care would incorporate medical care, psychosocial support services, and a physical environment that are age-appropriate. When this is not feasible, the development of "virtual units" connecting patients to the health care team or a combination of physical and virtual models are alternative options. The assessment of outcome measures is necessary to determine whether the interventions implemented result in improved survival and better quality of life, and are cost-effective.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».