Self-Care Behaviors of Ovarian Cancer Patients Before Their Diagnosis: Proof-of-Concept Study
Notice bibliographique
Résumé
BACKGROUND: Longer patient intervals can lead to more late-stage cancer diagnoses and higher mortality rates. Individuals may delay presenting to primary care with red flag symptoms and instead turn to the internet to seek information, purchase over-the-counter medication, and change their diet or exercise habits. With advancements in machine learning, there is the potential to explore this complex relationship between a patient's symptom appraisal and their first consultation at primary care through linkage of existing datasets (eg, health, commercial, and online). OBJECTIVE: Here, we aimed to explore feasibility and acceptability of symptom appraisal using commercial- and health-data linkages for cancer symptom surveillance. METHODS: A proof-of-concept study was developed to assess the general public's acceptability of commercial- and health-data linkages for cancer symptom surveillance using a qualitative focus group study. We also investigated self-care behaviors of ovarian cancer patients using high-street retailer data, pre- and postdiagnosis. RESULTS: Using a high-street retailer's data, 1118 purchases-from April 2013 to July 2017-by 11 ovarian cancer patients and one healthy individual were analyzed. There was a unique presence of purchases for pain and indigestion medication prior to cancer diagnosis, which could signal disease in a larger sample. Qualitative findings suggest that the public are willing to consent to commercial- and health-data linkages as long as their data are safeguarded and users of this data are transparent about their purposes. CONCLUSIONS: Cancer symptom surveillance using commercial data is feasible and was found to be acceptable. To test efficacy of cancer surveillance using commercial data, larger studies are needed with links to individual electronic health records.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».