Interruption of cancer screening services due to COVID-19 pandemic: lessons from previous disasters
Notice bibliographique
Résumé
PURPOSE: To review the scientific literature seeking lessons for the COVID-19 era that could be learned from previous health services interruptions that affected the delivery of cancer screening services. METHODS: A systematic search was conducted up to April 17, 2020, with no restrictions on language or dates and resulted in 385 articles. Two researchers independently assessed the list and discussed any disagreements. Once a consensus was achieved for each paper, those selected were included in the review. RESULTS: Eleven articles were included. Three studies were based in Japan, two in the United States, one in South Korea, one in Denmark, and the remaining four offered a global perspective on interruptions in health services due to natural or human-caused disasters. No articles covered an interruption due to a pandemic. The main themes identified in the reviewed studies were coordination, communication, resource availability and patient follow-up. CONCLUSION: Lessons learned applied to the context of COVID-19 are that coordination involving partners across the health sector is essential to optimize resources and resume services, making them more resilient while preparing for future interruptions. Communication with the general population about how COVID-19 has affected cancer screening, measures taken to mitigate it and safely re-establish screening services is recommended. Use of mobile health systems to reach patients who are not accessing services and the application of resource-stratified guidelines are important considerations. More research is needed to explore best strategies for suspending, resuming and sustaining cancer screening programs, and preparedness for future disruptions, adapted to diverse health care systems.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».