Interactions between COVID-19 and Lung Cancer: Lessons Learned during the Pandemic
Notice bibliographique
Résumé
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 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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».