Percurso do diagnóstico de malignidades
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
No Brasil aproximadamente 15% das mortes decorre do câncer, representando um grave problema de saúde pública, mais de 7% por malignidades hematológicas. O diagnóstico é complexo e grande parte da falha à quimioterapia decorre do início tardio do tratamento. Analisamos quantos trabalhos recentes na literatura abordam o tempo transcorrido desde os primeiros sintomas até o diagnóstico dos pacientes que apresentam alguma malignidade, especialmente as hematológicas, bem como desempenhamos uma pesquisa sobre a temática. Realizamos uma revisão da literatura médica usando a metodologia descrita por Jacobsen et al. (2017), consultando as bases de dados científicas Scielo e Pubmed, observando o intervalo de tempo entre 2015 a 2019. A pesquisa realizada no Hospital Universitário Antônio Pedro se deu por meio de um questionário aplicado aos pacientes que frequentam o ambulatório de quimioterapia. Foram identificadas 276 publicações no PubMed e 44 publicações no Scielo, ao final selecionou-se 7 artigos, onde apenas um se referia a malignidades hematológicas. O questionário está em andamento e foram incluídos até o momento 39 pacientes, o maior grupo os portadores de neoplasias hematológicas, 41,02%; 48,72% buscaram atendimento médico dias após o início dos sintomas; 38,46% tiveram diagnóstico em estágio avançado; serviço inicial com maior procura foi a Unidade Básica de Saúde, 51,29%.Em todos os artigos selecionados e analisados bem como em nossa pesquisa os indivíduos têm um atraso significativo na busca por diagnóstico final, portanto, do tratamento, o que pode resultar em resposta insatisfatória, podendo levar a óbito.
 
 Palavras-chave: Câncer; Diagnóstico; Tempo.
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.
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 | 0,001 | 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) | 0,010 | 0,001 |
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 découle