Global challenges in access to diagnostics and treatment for neuroendocrine tumor (NET) patients
Notice bibliographique
Résumé
Abstract SCAN, an online survey, measured access to diagnosis, treatments and monitoring of neuroendocrine tumor (NET) patients globally. Between September and November 2019, NET patients and healthcare professionals (HCPs) completed an online, semi‐standardized survey with 54 patient questions and 33 HCP questions. A total of 2359 patients with NETs and 436 HCPs responded. Misdiagnosis was common (44% [1043/2359]). Mean time to diagnosis was 4.8 years (standard deviation [SD], 6.2). Compared with global figures (60% [1407/2359]), the availability of 68 Ga‐DOTA positron emission tomography (PET)/computed tomography (CT) was significantly lower in Asia (45% [126/280]) and higher in Oceania (86% [171/200]). HCPs reported that 68 Ga‐DOTA PET/CT was free/affordable to fewer patients in Emerging and Developing Economies (EDE) than Advanced Economies (AE; 17% [26/150] and 59% [84/142], respectively). Compared with global data (52% [1234/2359]), patient‐reported availability of peptide receptor radionuclide therapy (PRRT) was significantly lower in Asia (31% [88/280]) and higher in Oceania (61% [122/200]). Significant differences were observed in average annual NET specialist costs between AE and EDE ($1081 and $2915, respectively). Compared with AE, patients in EDE traveled further for NET specialists (1032 [SD, 1578] and 181 [SD, 496] km, respectively). Patients and HCPs both recommended referral to HCPs that were more knowledgeable in the field of NETs and had better access to NET experts/specialist centers. National care pathways, enhancing HCP NET knowledge and ensuring effective diagnostics and access to appropriate treatments are crucial to improving patient survival and NET care worldwide.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».