Activating Technology for Connected Health in Cancer: Protocol for a Research and Training Program
Notice bibliographique
Résumé
BACKGROUND: As cancer survival rates increase, the challenge of ensuring that cancer survivors reclaim their quality of life (QoL) becomes more important. This paper outlines the research element of a research and training program that is designed to do just that. OBJECTIVE: Bridging sectors, disciplines, and geographies, it brings together eight PhD projects and students from across Europe to identify the underlying barriers, test different technology-enabled rehabilitative approaches, propose a model to optimize the patient pathways, and examine the business models that might underpin a sustainable approach to cancer survivor reintegration using technology. METHODS: The program, funded under the European Union's Horizon 2020 research and innovation program under the Marie Sklodowska-Curie grant agreement No 722012, includes deep disciplinary PhD projects, intersectoral and international secondments, interdisciplinary plenary training schools, and virtual subject-specific education modules. RESULTS: The 8 students have now been recruited and are at the early stages of their projects. CONCLUSIONS: CATCH will provide a comprehensive training and research program by embracing all key elements-technical, social, and economic sciences-required to produce researchers and project outcomes that are capable of meeting existing and future needs in cancer rehabilitation.
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 | 0,062 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,009 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,115 | 0,031 |
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 ».