The Impact of COVID-19 on the Diagnosis and Treatment of Lung Cancer over a 2-Year Period at a Canadian Academic Center
Notice bibliographique
Résumé
BACKGROUND: We have recently reported a 35% drop in new lung cancer diagnoses and a 64% drop in lung cancer surgeries during the first year of the pandemic. METHODS: The target population was divided into three cohorts: pre-COVID-19 (2019), first year of COVID-19 (2020), and second year of COVID-19 (2021). RESULTS: The number of new lung cancer diagnoses during the second year of the pandemic increased by 75%, with more than 50% being in the advanced/metastatic stage. There was a significant increase in cases with multiple extrathoracic sites of metastases during the pandemic. During the first year of the pandemic, significantly more patients were treated with radiosurgery compared to the pre-COVID-19 year. During the second year, the number of radiosurgery and surgical cases returned to pre-COVID-19 levels. No significant changes were observed in systemic chemotherapy and targeted therapy. No statistical difference was identified in the mean wait time for diagnosis and treatment during the three years of observation. However, the wait time for surgery was prolonged compared to the pre-COVID-19 cohort. CONCLUSIONS: The significant drop in new diagnoses of lung cancer during the first year of the pandemic was followed by an almost two-fold increase in the second year, with the increased rate of metastatic disease with multiple extra-thoracic site metastases. Limited access to surgery resulted in the more frequent use of radiosurgery.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».