Effect of coronavirus disease 2019 on diagnosis and treatment of hepatocellular carcinoma: a systematic review
Notice bibliographique
Résumé
Aim: Changes in strategies in the coronavirus disease 2019 (COVID-19) crisis and the imposing of restrictions have isolated many vulnerable patients including those with hepatocellular carcinoma (HCC) from routine medical care. This study investigated how the COVID-19 pandemic is affecting the diagnosis and treatment of HCC. Methods: An extensive search was conducted in the PubMed, Scopus, and Web of Science databases by using the appropriate keywords: COVID-19, hepatocellular carcinoma, hepatocellular cancer, and MeSH. Studies in English related to the purpose of the study were included in the analysis, and review studies, case reports, letters to editors, comments, and reports were excluded. The quality of the studies was assessed by the "Adapted Newcastle-Ottawa Quality Assessment Scales" checklist. The Endnote X7 software has been used for managing items. Results: The final qualitative analysis consisted of 27 articles. During the COVID-19 crisis, HCC diagnosis decreased from 20% to 34.13% compared to pre-crisis. The impact of the COVID-19 pandemic on HCC treatment encompasses a wide range of aspects. Generally, delays in treatment for patients with HCC ranged from more than one month for 21.5% of patients in France, to two months for 26% of patients in Italy, up to 30% in Austria, and 66.7% in Asia-Pacific countries. Conclusions: According to the findings, developing and implementing appropriate diagnostic and therapeutic strategies and developing low-cost and high-precision screening programs among high-risk populations seem to be effective in reducing the impact of the COVID-19 pandemic on HCC management.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».