Crowdfunding for complementary and alternative medicine: What are cancer patients seeking?
Notice bibliographique
Résumé
BACKGROUND: Complementary and alternative medicine (CAM) is increasingly being integrated into conventional medical care for cancer, used to counter the side effects of conventional cancer treatment, and offered as an alternative to conventional cancer care. Our aim is to gain a broader understanding of trends in CAM interventions for cancer and crowdfunding campaigns for these interventions. METHODS: GoFundMe campaigns fundraising for CAM were retrieved through a database of crowdfunding campaign data. Search terms were drawn from two National Institutes of Health lists of CAM cancer interventions and a previous study. Campaigns were excluded that did not match these or related search terms or were initiated outside of June 4th, 2018 to June 4th, 2019. RESULTS: 1,396 campaigns were identified from the US (n = 1,037, 73.9%), Canada (n = 165, 11.8%), and the UK (n = 107, 7.7%). Most common cancer types were breast (n = 344, 24.6%), colorectal (n = 131, 9.4%), and brain (n = 98, 7.0%). CAM interventions sought included supplements (n = 422, 30.2%), better nutrition (n = 293, 21.0%), high dose vitamin C (n = 276, 19.8%), naturopathy (n = 226, 16.2%), and cannabis products (n = 211, 15.1%). Mexico (n = 198, 41.9%), and the US (n = 169, 35.7%) were the most common treatment destinations. CONCLUSIONS: These findings confirm active and ongoing interest in using crowdfunding platforms to finance CAM cancer interventions. They confirm previous findings that CAM users with cancer tend to have late stage cancers, cancers with high mortality rates, and specific diseases such as breast cancer. These findings can inform targeted responses where facilities engage in misleading marketing practices and the efficacy of interventions is unproven.
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) | 0,001 | 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 ».