Redefining Cancer Research Priorities in Low- and Middle-Income Countries in the Post–COVID-19 Global Context: A Modified Delphi Consensus Process
Notice bibliographique
Résumé
PURPOSE The post–COVID-19 funding landscape for cancer research globally has become increasingly challenging, particularly in resource-challenged regions (RCRs) lacking strong research ecosystems. We aimed to produce a list of priority areas for cancer research in countries with limited resources, informed by researchers and patients. METHODS Cancer experts in lower-resource health care systems (as defined by the World Bank as low- and middle-income countries; N = 151) were contacted to participate in a modified consensus-seeking Delphi survey, comprising two rounds. In round 1, participants (n = 69) rated predetermined areas of potential research priority (ARPs) for importance and suggested missing ARPs. In round 2, the same participants (n = 49) rated an integrated list of predetermined and suggested ARPs from round 1, then undertook a forced choice priority ranking exercise. Composite voting scores ( T-scores) were used to rank the ARPs. Importance ratings were summarized descriptively. Findings were discussed with international patient advocacy organization representatives. RESULTS The top ARP was research into strategies adapting guidelines or treatment strategies in line with available resources (particularly systemic therapy) ( T = 83). Others included cancer registries ( T = 62); prevention ( T = 52); end-of-life care ( T = 53); and value-based and affordable care ( T = 51). The top COVID-19/cancer ARP was strategies to incorporate what has been learned during the pandemic that can be maintained posteriorly ( T = 36). Others included treatment schedule interruption ( T = 24); cost-effective reduction of COVID-19 morbidity/mortality ( T = 19); and pandemic preparedness ( T = 18). CONCLUSION Areas of strategic priority favored by cancer researchers in RCRs are related to adaptive treatment guidelines; sustainable implementation of cancer registries; prevention strategies; value-based and affordable cancer care; investments in research capacity building; epidemiologic work on local risk factors for cancer; and combatting inequities of prevention and care access.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».