Delays in the diagnosis of lung cancer.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Many patients with lung cancer report delays in diagnosing their disease. This may contribute to advanced stage at diagnosis and poor long term survival. This study explores the delays experienced by patients referred to a regional cancer centre with lung cancer. METHODS: A prospective cohort of patients referred with newly diagnosed lung cancer were surveyed over a 3 month period to assess delays in diagnosis. Patients were asked when they first experienced symptoms, saw their doctor, what tests were done, when they saw a specialist and when they started treatment. Descriptive statistics were used to summarize the different time intervals. RESULTS: 56 of 73 patients consented (RR 77%). However only 52 patients (30M, 22F) were interviewed as 2 died before being interviewed and two could not be contacted. The mean age was 68yrs. Stage distribution was as follows (IB/IIA 10%, stage IIIA 20%, IIIB/IV 70%). Patients waited a median of 21 days (iqr 7-51d) before seeing a doctor and a further 22d (iqr 0-38d) to complete any investigations. The median time from presentation to specialist referral was 27d (iqr 12-49d) and a further 23.5d (iqr 10-56d) to complete investigations. The median wait to start treatment once patients were seen at the cancer centre was 10d (iqr 2-28d). The overall time from development of first symptoms to starting treatment was 138d (iqr 79-175d). CONCLUSIONS: Lung cancer patients experience substantial delays from development of symptoms to first initiating treatment. There is a need to promote awareness of lung cancer symptoms and develop and evaluate rapid assessment clinics for patients with suspected lung cancers.
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.
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 découle