MétaCan
Menu
Retour à la cohorte
Enregistrement W4287009865 · doi:10.3390/cancers14153598

Interactions between COVID-19 and Lung Cancer: Lessons Learned during the Pandemic

2022· review· en· W4287009865 sur OpenAlexaff
David J. H. Bian, Siham Sabri, Bassam Abdulkarim

Notice bibliographique

RevueCancers · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensMcGill UniversityMcGill University Health Centre
Organismes subventionnairesnon disponible
Mots-clésMedicineLung cancerCancerPandemicIntensive care medicineDiseaseCoronavirus disease 2019 (COVID-19)ImmunologyInternal medicineInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Cancer patients, specifically lung cancer patients, show heightened vulnerability to severe COVID-19 outcomes. The immunological and inflammatory pathophysiological similarities between lung cancer and COVID-19-related ARDS might explain the predisposition of cancer patients to severe COVID-19, while multiple risk factors in lung cancer patients have been associated with worse COVID-19 outcomes, including smoking status, older age, etc. Recent cancer treatments have also been urgently evaluated during the pandemic as potential risk factors for severe COVID-19, with conflicting findings regarding systemic chemotherapy and radiation therapy, while other therapies were not associated with altered outcomes. Given this vulnerability of lung cancer patients for severe COVID-19, the delivery of cancer care was significantly modified during the pandemic to both proceed with cancer care and minimize SARS-CoV-2 infection risk. However, COVID-19-related delays and patients' aversion to clinical settings have led to increased diagnosis of more advanced tumors, with an expected increase in cancer mortality. Waning immunity and vaccine breakthroughs related to novel variants of concern threaten to further impede the delivery of cancer services. Cancer patients have a high risk of severe COVID-19, despite being fully vaccinated. Numerous treatments for early COVID-19 have been developed to prevent disease progression and are crucial for infected cancer patients to minimize severe COVID-19 outcomes and resume cancer care. In this literature review, we will explore the lessons learned during the COVID-19 pandemic to specifically mitigate COVID-19 treatment decisions and the clinical management of lung cancer patients.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,365
Tête enseignante GPT0,558
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancersMême sujetCOVID-19 and healthcare impactsTravaux en français237 207