The Surveillance, Epidemiology, and End Results (SEER) Program and Pathology
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
The Surveillance, Epidemiology, and End Results (SEER) program of the National Cancer Institute collects data on cancer diagnoses, treatment, and survival for approximately 30% of the United States (US) population. To reflect advances in research and oncology practice, approaches to cancer control are evolving from simply enumerating the development of cancers by organ site in populations to including monitoring of cancer occurrence by histopathologic and molecular subtype, as defined by driver mutations and other alterations. SEER is an important population-based resource for understanding the implications of pathology diagnoses across demographic groups, geographic regions, and time and provides unique insights into the practice of oncology in the US that are not attainable from other sources. It provides incidence, survival, and mortality data for histopathologic cancer subtypes, and data by molecular subtyping are expanding. The program is developing systems to capture additional biomarker data, results from special populations, and expand biospecimen banking to enable cutting-edge cancer research and oncology practice. Pathology has always been central and critical to the effectiveness of SEER, and strengthening this relationship in this modern era of cancer diagnosis could be mutually beneficial. Achieving this goal requires close interactions between pathologists and the SEER program. This review provides a brief overview of SEER, focuses on facets relevant to pathology practice and research, and highlights the opportunities and challenges for pathologists to benefit from and enhance the value of SEER data.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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