A roadmap to establishing global oncology as a priority initiative within a National Cancer Institute–designated cancer center
Notice bibliographique
Résumé
As the burden of cancers impacting low- and middle-income countries is projected to increase, formation of strategic partnerships between institutions in high-income countries and low- and middle-income country institutions may serve to accelerate cancer research, clinical care, and training. As the US National Cancer Institute and its Center for Global Health continue to encourage cancer centers to join its global mission, academic cancer centers in the United States have increased their global activities. In 2015, the Helen Diller Family Comprehensive Cancer Center at the University of California, San Francisco, responded to the call for international partnership in addressing the global cancer burden through the establishment of the Global Cancer Program as a priority initiative. In developing the Global Cancer Program, we galvanized institutional support to foster sustained, bidirectional, equitable, international partnerships in global cancer control. Our focus and intent in disseminating this commentary is to share experiences and lessons learned from the perspective of a US-based, National Cancer Institute-designated cancer center and to provide a roadmap for other high-income institutions seeking to strategically broaden their missions and address the complex challenges of global cancer control. Herein, we review the formative evaluation, governance, strategic planning, investments in career development, funding sources, program evaluation, and lessons learned. Reflecting on the evolution of our program during the first 5 years, we observed in our partners a powerful shift toward a locally driven priority setting, reduced dependency, and an increased commitment to research as a path to improve cancer outcomes in resource-constrained settings.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».