MétaCan
Menu
Retour à la cohorte
Enregistrement W3048785582 · doi:10.2196/20288

Telehealth and Palliative Care for Patients With Cancer: Implications of the COVID-19 Pandemic

2020· article· en· W3048785582 sur OpenAlexvenueno aff
Udhayvir Singh Grewal, Stephanie Terauchi, Muhammad Shaalan Beg

Notice bibliographique

RevueJMIR Cancer · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTelehealthMedicinePalliative carePandemicTelemedicineIsolation (microbiology)Psychological interventionIntensive care medicineCoronavirus disease 2019 (COVID-19)PopulationIncidence (geometry)CancerHealth careMedical emergencyFamily medicineNursingDiseaseInternal medicineEnvironmental healthInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

It has been reported that the incidence of SARS-CoV-2 infection is higher in patients with cancer than in the general population and that patients with cancer are at an increased risk of developing severe life-threatening complications from COVID-19. Increased transmission and poor outcomes noted in emerging data on patients with cancer and COVID-19 call for aggressive isolation and minimization of nosocomial exposure. Palliative care and oncology providers are posed with unique challenges due to the ongoing COVID-19 pandemic. Telepalliative care is the use of telehealth services for remotely delivering palliative care to patients through videoconferencing, telephonic communication, or remote symptom monitoring. It offers great promise in addressing the palliative and supportive care needs of patients with advanced cancer during the ongoing pandemic. We discuss the case of a 75-year-old woman who was initiated on second-line chemotherapy, to highlight how innovations in technology and telehealth-based interventions can be used to address patients' palliative and supportive care needs in the ongoing epidemic.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0030,003
Science ouverte0,0010,004
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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.

Tête enseignante Opus0,119
Tête enseignante GPT0,458
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations40
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR CancerMême sujetCOVID-19 and healthcare impactsTravaux en français237 207