Advancing Cervical Cancer Prevention in India: Implementation Science Priorities
Notice bibliographique
Résumé
Cervical cancer is the leading cause of cancer mortality in India, accounting for 17% of all cancer deaths among women aged 30 to 69 years. At current incidence rates, the annual burden of new cases in India is projected to increase to 225,000 by 2025, but there are few large-scale, organized cervical cancer prevention programs in the country. We conducted a review of the cervical cancer prevention research literature and programmatic experiences in India to summarize the current state of knowledge and practices and recommend research priorities to address the gap in services. We found that research and programs in India have demonstrated the feasibility and acceptability of cervical cancer prevention efforts and that screening strategies requiring minimal additional human resources and laboratory infrastructure can reduce morbidity and mortality. However, additional evidence generated through implementation science research is needed to ensure that cervical cancer prevention efforts have the desired impact and are cost-effective. Specifically, implementation science research is needed to understand individual- and community-level barriers to screening and diagnostic and treatment services; to improve health care worker performance; to strengthen links among screening, diagnosis, and treatment; and to determine optimal program design, outcomes, and costs. With a quarter of the global burden of cervical cancer in India, there is no better time than now to translate research findings to practice. Implementation science can help ensure that investments in cervical cancer prevention and control result in the greatest impact.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».