Unseen and unheard: African children with cancer are consistently excluded from clinical trials
Notice bibliographique
Résumé
Cancer in Africa has been described as a runaway train as it now kills more Africans than malaria.1 2 There are an estimated 1 million new cases of cancer on the continent every year and this is expected to double by 2030.3 Cancer in Africa is characterised by high mortality and the disparity between mortality rates in Africa and high-income countries (HIC) is most striking for childhood cancers with mortality rates as high as 80% compared with 20% in HICs like the USA and Canada.4 Despite the stark disparity in burden (85% of childhood cancers occur in low and middle-income countries5) and mortality rates of childhood cancers in Africa, access to clinical trials, which are vital for the development of effective and safe therapeutics and treatment, remains unacceptably low for African children. Over the last two decades, clinical trials have played a key role in improving survival rates for children with cancer in HICs.6 For example, in England, patients with cancer enrolled in clinical trials have significantly higher survival rates than similar patients with cancer who are not enrolled in trials.7 The National Comprehensive Cancer Network has stated that clinical trials are the best way to manage patients with cancer.2 8 Unfortunately, this is not possible for most African countries where very poor prognosis has been linked to late presentation, malnutrition, treatment abandonment, lack of proper supportive services and need for drug dose …
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 | 0,157 | 0,502 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 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 ».