Diabetes and Cancer: Risk, Challenges, Management and Outcomes
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
BACKGROUND: Diabetes mellitus and cancer are commonly coexisting illnesses, and the global incidence and prevalence of both are rising. Cancer patients with diabetes face unique challenges. This review highlights the relationship between diabetes and cancer and various aspects of the management of diabetes in cancer patients. METHODS: A literature search using keywords in PubMed was performed. Studies that were published in English prior to July 2021 were assessed and an overview of epidemiology, cancer risk, outcomes, treatment-related hyperglycemia and management of diabetes in cancer patients is provided. RESULTS: Overall, 8-18% of cancer patients have diabetes as a comorbid medical condition. Diabetes is a risk factor for certain solid malignancies, such as pancreatic, liver, colon, breast, and endometrial cancer. Several novel targeted compounds and immunotherapies can cause hyperglycemia. Nevertheless, most patients undergoing cancer therapy can be managed with an appropriate glucose lowering agent without the need for discontinuation of cancer treatment. Evidence suggests that cancer patients with diabetes have higher cancer-related mortality; therefore, a multidisciplinary approach is important in the management of patients with diabetes and cancer for a better outcome. CONCLUSIONS: Future studies are required to better understand the underlying mechanism between the risk of cancer and diabetes. Furthermore, high-quality prospective studies evaluating management of diabetes in cancer patients using innovative tools are needed. A patient-centered approach is important in cancer patients with diabetes to avoid adverse outcomes.
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 | 0,000 | 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 découle