Notice bibliographique
Résumé
Advances in cancer treatment have led to substantial improvements in survival. These include several drugs for treatment of multiple myeloma and metastatic prostate cancer, and immunotherapy with checkpoint inhibitors for treatment of nonsmall cell lung cancer, kidney cancer, melanoma, and others. Management of breast cancer has also changed substantially in the last two decades with approval of CDK4/6 inhibitors, trastuzumab, pertuzumab, TDM1, and other drugs. The pricing of these agents is set by what the market will bear but typically will be more than U.S. $12,000 (~INR 880,000) per month for approved schedules of treatment in the United States, an obscene price that brings huge profits to the pharmaceutical industry. In India, the cost of these therapies is not affordable and only a handful of patients are treated with these medications. There may be some price reduction in other countries, particularly those with a national health service that can bargain for bulk purchase. Some drugs are manufactured and sold in India at a much lower price. However, many effective drugs remain unaffordable for all but the wealthy in lower- and middle-income countries (LMIC) such as India. The majority of people with cancer who could benefit from treatment with new drugs live in LMIC. It is a hollow victory to have generated effective treatments for several types of cancer, but for these therapies, not to be available to the global majority who could benefit. And the nonavailability of life-prolonging treatment is not due to the cost of manufacturing the drugs, it is due to protection of profit at the expense of human life.
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 | 0,006 | 0,065 |
| 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) | 0,003 | 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 ».