MétaCan
Menu
Retour à la cohorte
Enregistrement W4309827808 · doi:10.3389/fonc.2022.1086739

Editorial: Personalised multimodal prehabilitation in cancer

2022· editorial· en· W4309827808 sur OpenAlexaff
Malcolm West, Francesco Carli, Michael P. W. Grocott

Notice bibliographique

RevueFrontiers in Oncology · 2022
Typeeditorial
Langueen
DomaineSocial Sciences
ThématiqueDelphi Technique in Research
Établissements canadiensMcGill University Health Centre
Organismes subventionnairesNational Institute for Health and Care Research
Mots-clésPrehabilitationMedicineCancerOncologyMedical physicsInternal medicinePhysical therapy

Résumé

récupéré en direct d'OpenAlex

Multimodality prehabilitation is a complex intervention that can enhance fitness, nutrition, and psychological resilience, with emerging evidence showing an improvement in perioperative and oncological outcomes (1). Personalised prehabilitation also has the potential to meet the widely adopted triple aim of health care: improving individuals' experience of care, improving population health, and providing value for money to the taxpayer (2). The contemporary prehabilitation model has adopted a multimodal approach, which attempts to address complex needs in patients having complex treatment pathways. Multimodal prehabilitation incorporates intervention components specifically selected for their potential synergistic effects on health outcomes. Prehabilitation enables people with cancer prepare for treatment through promoting healthy behaviours and through needs-based prescribing of exercise, nutrition, and psychological interventions, aiming to empower patients to maximise resilience to treatment and improve long-term health outcomes (3). In this Research Topic entitled 'Personalised Multimodal Prehabilitation in Cancer' a collection of articles demonstrate how prehabilitation is now regarded as an integral part of a continuum spanning from cancer diagnosis to rehabilitation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,012
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesIntégrité de la recherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: Éditorial
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,463
Écart entre enseignants0,423 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreÉditorial

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

En bref

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in OncologyMême sujetDelphi Technique in ResearchTravaux en français237 207