UK cancer healthcare professionals collaborating with colleagues in low- and middle-income counties: Mapping the extent and nature of partnerships.
Notice bibliographique
Résumé
e18512 Background: Most cancer deaths occur in low- & middle-income countries (LMICs). In 2020, the UK Global Cancer Network (UKGCN) formed to unite those interested in Global Oncology & to strengthen collaborative work with colleagues in LMICs to reduce morbidity & mortality from cancer. For the first time in the UK, the UKGCN undertook a mapping exercise, to document the number & type of collaborations between the UK & LMIC partners. Methods: A semi-structured survey was developed & performed over 10 weeks from February 2021, to identify UK individuals & institutions engaged in clinical practice, research &/or education with LMIC partners, where the aim was to improve the care of people with/at risk of cancer. The survey was emailed to individuals in NHS hospitals, charities, universities, other organisations, UKGCN members & to contacts identified by a literature search. Results: A total of 639 invitations were sent & 88 responses received. Results demonstrate a range of collaborative efforts spanning many areas of cancer control:health promotion & prevention, diagnosis & treatment to survivorship & palliative care. A wide range of countries were represented: Sub-Saharan Africa, South America, MENA region, China & South-East Asia. Projects included education & training (146), clinical practice (144) & research (226; Table). Funding sources for projects included academic institutions, private sector, United Nations agencies, UK government, arms-length bodies & international government. Conclusions: This mapping exercise has demonstrated considerable UK collaboration with colleagues in LMICs across the continuum, involving all 3 domains of education, practice, & research. This mapping exercise will serve as a baseline on which to build a more accurate database to measure future work. It will enable the UK community to guide domestic strategy, increase efficiency, enable innovation & accelerate collaborations. Information from the survey has been used as a catalyst to create new partnerships between colleagues working in similar geographical settings, encouraging bidirectional learning leading to mutual benefit. Next steps include using this data to support calls for increased funding in global cancer care, & for institutional recognition of, & investment in, Global Oncology as a discipline. The survey will be repeated using more comprehensive methods to increase accuracy with a view to maintaining an up-to-date database.[Table: see text]
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 | 0,008 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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.
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 ».