MétaCan
Menu
← Retour à la cohorte
Enregistrement W4379283094 · doi:10.1200/jco.2023.41.16_suppl.10057

Outcomes among survivors of childhood cancer in low- and middle-income countries: A systematic review.

2023· article· en· W4379283094 sur OpenAlexaff
Avram Denburg, Kevin Alexander Wong, Alexandra Moskalewicz, Sumit Gupta

Notice bibliographique

RevueJournal of Clinical Oncology · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueChildhood Cancer Survivors' Quality of Life
Établissements canadiensMcMaster UniversityHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésMedicineLow and middle income countriesChildhood cancerCancerHigh income countriesCohort studyDemographyCohortObservational studyDeveloping countryEnvironmental healthPathologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

10057 Background: Low- and middle-income countries (LMICs) account for most of the global childhood cancer burden. Though cure rates lag behind those in high-income countries (HICs), a substantial proportion of LMIC children do survive. Long-term side effects of cancer or cancer therapy (late effects) are well-documented among childhood cancer survivors (CCS) in HICs, but whether prevalence and risk factors of late effects are comparable in LMICs is unclear. We thus conducted a systematic review to assess LMIC CCS outcomes. Methods: Five major health sciences databases were searched from inception to November 2022 in all languages. We included observational studies conducted in LMICs (World Bank 2021 classification) that evaluated outcomes in CCSs diagnosed with any malignancy. Mean or median length of follow-up must have been ≥ 5 years from original cancer diagnosis. Meta-analyses were precluded by cohort and outcome heterogeneity. Results: Of 1,994 studies identified, 113 underwent full-text review and 21 met inclusion criteria (16 full articles and 5 conference abstracts). Studies were conducted in lower-middle income (N = 12, 57%) or upper-middle income (N = 9, 43%) countries; no low-income country data were found. Study regions were mainly South and East Asia (N = 10, 48%) and the Americas (N = 8, 38%). Almost half (N = 9, 43%) of studies were conducted in India and only one African study from Cameroon was identified. Over half (N = 12, 57%) of studies were cross-sectional in design. Only five (24%) cohorts were comprised entirely of 5-year survivors. CCS of all childhood cancer types were evaluated in 12 (57%) cohorts, and 9 (43%) were specific to one cancer type. Ten (48%) studies were conducted in a survivorship clinic. Second cancers, followed by endocrine, reproductive, and cardiovascular late effects were most frequently assessed. Second cancers were reported in 1%–11% of CCS cohorts (N = 10 studies). The prevalence of hypothyroidism and metabolic syndrome ranged from 2%-49% (N = 6 studies) and 4%-17% (N = 5 studies), respectively. Gonadal dysfunction ranged from 2%-82% (N = 6 studies). Cardiac dysfunction and hypertension ranged from 1%-16% (N = 3 studies) and 5-19% (N = 3 studies), respectively. Late effects of the musculoskeletal (N = 4 studies) and urinary (N = 4 studies) systems were least investigated. Conclusions: Substantial knowledge gaps exist in LMIC childhood cancer survivorship. Few LMIC-based studies were identified, with no low-income country data available. In middle-income countries, variability existed in how late effects were defined and assessed; data was also limited by selection bias and small sample sizes. Additional systematically collected data on LMIC CCS cohorts are urgently needed.

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)0,005
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,020
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0080,008
Bibliométrie0,0090,012
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,081
Tête enseignante GPT0,459
Écart entre enseignants0,378 · 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'étudeRevue systématique
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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetChildhood Cancer Survivors' Quality of Life→Travaux en français237 207→