US Cutaneous Oncodermatology Management (USCOM): A Practical Algorithm
Notice bibliographique
Résumé
BACKGROUND: An increasing number of patients survive or are living with cancer. Anticancer treatments frequently have cutaneous adverse events (cAEs) that may severely impact patients' quality of life and interrupt anticancer treatment. The US Cutaneous Oncodermatology Management (USCOM) project aims to improve cancer patients' and survivors' quality of life by offering tools for preventing and managing cAEs. METHODS: An algorithm was designed to reduce the incidence of cAEs, treat cAEs, and maintain healthy skin using general measures and over-the-counter agents to support all healthcare providers treating oncology patients, including physicians, nurses, pharmacists, and advanced providers. The panel used a modified Delphi approach, developed, discussed, and reached a consensus on statements and an evidence-based algorithm. RESULTS: The USCOM algorithm includes education on cAEs for patients and clinicians supporting prevention, treatment, and maintenance using skincare measures before, during, and after cancer treatment. A skincare regimen including hygiene, moisturization, and sun protection products should be safe and effective in helping to minimize cAEs and improving skin conditions such as erythema, xerosis, pruritus, and photosensitivity. The number and quality of studies evaluating skincare formulations and regimens for cAEs are increasing, but the evidence on the benefits of specific formulations is still scarce. CONCLUSIONS: The algorithm focuses on general measures and skincare to prevent or reduce the severity of cAEs. Increased awareness of cAEs by the multidisciplinary team treating and guiding the cancer patient throughout their care may improve patient outcomes. J Drugs Dermatol. 2021;20:9(Suppl):s3-19.
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 | 0,001 |
| 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 ».