Faktor-Faktor yang Berhubungan dengan Deteksi Dini Kanker Leher Rahim di Kecamatan Gisting Kabupaten Tanggamus Lampung
Notice bibliographique
Résumé
Kanker leher rahim merupakan masalah kanker kedua yang paling banyak ditemukan hampir diseluruh dunia dengan lebih dari 500.000 kasus baru dan 250.000 kematian. Penelitian ini bertujuan untuk mengetahui faktor apakah yang memengaruhi deteksi dini kanker leher rahim di wilayah kecamatan Gisting kabupaten Tanggamus Lampung.Jenis penelitian ini merupakan kuantitatif dengan rancangan cross sectional . Populasi seluruh PUS berjumlah 3795 orang dan sampel yang digunakan berjumlah 362 orang. Data dianalisa menggunakan uji regresi logistic . Sebagian besar reponden tidak melakukan deteksi dini kanker leher rahim yaitu 295 responden (81,5%) dari 362 responden seluruhnya. Tidak ada hubungan dukungan suami ( p-value 1,000), pengetahuan ( p-value 0,357) dengan deteksi dini kanker leher rahim di wilayah kecamatan Gisting kabupaten Tanggamus Lampung tahun 2016. Hubungan yang paling dominan pada kanker leher rahim dengan deteksi dini kanker leher rahim di wilayah kecamatan Gisting kabupaten Tanggamus Lampung tahun2016 adalah status ekonomi dengan p-value < 0,001; OR 6,8. Disarankan bagi puskesmas Gisting untuk menyosialisasikan pemeriksaan IVA dan Papsmaer gratis bagi peserta BPJS dan lebih meningkatkan kegiatan sosial dengan pemeriksaan IVA gratis bagi masyarakat serta lebih meningkatkan penyuluhan kepada masyarakat sehingga timbul kepercayaan masyarakat agar mau melakukan pemeriksaan IVA dan papsmear dengan menghadirkan teman atau kerabat yang sudah pernah melakukan deteksi dini dengan IVA maupun papsmear.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».