Notice bibliographique
Résumé
It is very good news that people with cancer are living longer. The proportion of the population who are cancer survivors is on a steady increase with approximately 9.8 million cancer survivors in the US1 and an estimated 2.5% of the Canadian population.2 The most common prevalent cancers are breast, prostate and colorectal cancer. Taking all cancer types, two-thirds of individuals diagnosed today will survive at least beyond 5 years and be long-term survivors. If one considers breast and prostate cancer, over 80% will be long-term survivors.1 Approximately two-thirds of cancer survivors are over the age of 65. For a GP, as many as one in every six adults over the age of 65 years in their practice is likely to be a survivor of adult cancer.3 A survey of cancer survivors in the US has identified a range of physical, psychosocial and economic needs that are unmet, such as management of symptoms related to the primary treatment, depression, fear of recurrence, and problems related to employment and health insurance.4 The healthcare needs of the growing numbers of long-term cancer survivors is viewed as a challenge for cancer care specialists. It is a happy challenge that cancer care is no longer focused exclusively on treatment and palliation, and must now also consider how best to manage survivorship. In my view, however, this challenge rests squarely with GPs. An important aspect of the medical management of …
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,018 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,008 |
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 ».