Childhood cancer survivorship research in minority populations: A position paper from the Childhood Cancer Survivor Study
Notice bibliographique
Résumé
By the middle of this century, racial/ethnic minority populations will collectively constitute 50% of the US population. This temporal shift in the racial/ethnic composition of the US population demands a close look at the race/ethnicity-specific burden of morbidity and premature mortality among survivors of childhood cancer. To optimize targeted long-term follow-up care, it is essential to understand whether the burden of morbidity borne by survivors of childhood cancer differs by race/ethnicity. This is challenging because the number of minority participants is often limited in current childhood cancer survivorship research, resulting in a paucity of race/ethnicity-specific recommendations and/or interventions. Although the overall childhood cancer incidence increased between 1973 and 2003, the mortality rate declined; however, these changes did not differ appreciably by race/ethnicity. The authors speculated that any racial/ethnic differences in outcome are likely to be multifactorial, and drew on data from the Childhood Cancer Survivor Study to illustrate the various contributors (socioeconomic characteristics, health behaviors, and comorbidities) that could explain any observed differences in key treatment-related complications. Finally, the authors outlined challenges in conducting race/ethnicity-specific childhood cancer survivorship research, demonstrating that there are limited absolute numbers of children who are diagnosed and survive cancer in any one racial/ethnic minority population, thereby precluding a rigorous evaluation of adverse events among specific primary cancer diagnoses and treatment exposure groups. Cancer 2016;122:2426-2439. © 2016 American Cancer Society.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».