Proposing Essential Medicines to Treat Cancer: Methodologies, Processes, and Outcomes
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
PURPOSE: A great proportion of the world's cancer burden resides in low- and middle-income countries where cancer care infrastructure is often weak or absent. Although treatment of cancer is multidisciplinary, involving surgery, radiation, systemic therapies, pathology, radiology, and other specialties, selection of medicines that have impact and are affordable has been particularly challenging in resource-constrained settings. In 2014, at the invitation of the WHO, the Union for International Cancer Control convened experts to develop an approach to propose essential cancer medicines to be included in the WHO Model Essential Medicines Lists (EML) for Adults and for Children, as well as a resulting new list of cancer medicines. METHODS: Experts identified 29 cancer types with potential for maximal treatment impact, on the basis of incidence and benefit of systemic therapies. More than 90 oncology experts from all continents drafted and reviewed disease-based documents outlining epidemiology, diagnostic needs, treatment options, and benefits and toxicities. RESULTS: Briefing documents were created for each disease, along with associated standard treatment regimens, resulting in a list of 52 cancer medicines. A comprehensive application was submitted as a revision to the existing cancer medicines on the WHO Model Lists. In May 2015, the WHO announced the addition of 16 medicines to the Adult EML and nine medicines to the Children's EML. CONCLUSION: The list of medications proposed, and the ability to link each recommended medicine to specific diseases, should allow public officials to apply resources most effectively in developing and supporting nascent or growing cancer treatment programs.
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 | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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