MétaCan
Menu
Retour à la cohorte
Enregistrement W4392606338 · doi:10.1016/j.gimo.2024.101795

P881: Revealing the hidden costs: Exploring the financial toxicity of hereditary cancer syndromes

2024· article· en· W4392606338 sur OpenAlexaff
Sepideh Rajeziesfahani, Jordan Sam, Carly Butkowsky, Emma Reble, Marc Clausen, Brooklyn Sparkes, Ridhi Gopalakrishnan, Vernie Aguda, Melyssa Aronson, Derrick Bishop, Lesa Dawson, Andrea Eisen, Tracy Graham, Jane Green, Chloe Mighton, Julee Pauling, Claudia Pavao, Petros Pechlivanoglou, Catriona Remocker, Sevtap Savas, Sophie Sun, Teresa Tiano, Angelina Tilley, Kevin E. Thorpe, Kasmintan A. Schrader, Yvonne Bombard, Holly Etchegary

Notice bibliographique

RevueGenetics in Medicine Open · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensUniversity of TorontoSunnybrook Health Science CentreHealth Sciences CentreMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésBusinessToxicityCancerHereditary CancerMedicineInternal medicineBreast cancer

Résumé

récupéré en direct d'OpenAlex

Financial toxicity, also known as financial distress or burden, refers to the harmful effects caused by the high costs of treatment on patients' well-being. Although financial toxicity is widely reported in cancer patients, there is limited research on its specific implications in patients with hereditary cancer syndromes (HCS), which account for approximately 10% of all cancer cases. This study aims to explore the direct and indirect financial toxicity associated with the two most common types of HCS: Hereditary Breast and Ovarian Cancer Syndrome (HBOC) and Lynch Syndrome (LS).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,229
Score d'incertitude au seuil0,914

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0170,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,548
Tête enseignante GPT0,483
Écart entre enseignants0,065 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGenetics in Medicine OpenMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207