Alternative cancer clinics’ use of Google listings and reviews to mislead potential patients
Notice bibliographique
Résumé
Abstract Background Alternative cancer clinics, who provide treatment associated with earlier time to death, actively seek to create favorable views of their services online. An unexplored means where alternative cancer clinics can shape their appeal is their Google search results. Methods We retrieved the Google listing and Google reviews of 47 prominent alternative cancer clinics on August 22, 2022. We then conducted a content analysis to assess the information cancer patients are faced with online. Results Google listings of alternative treatment providers rarely declared the clinic was an alternative clinic versus a conventional primary cancer treatment provider (12.8% declared; 83.0% undeclared). The clinics were highly rated (median, 4.5 stars of 5). Reasons for positive reviews included treatment quality ( n = 519), care ( n = 420), and outcomes ( n = 316). 288 reviews presented the clinics to cure or improve cancer. Negative reviews presented alternative clinics to financially exploit patients with ineffective treatment ( n = 98), worsen patients’ condition ( n = 72), provide poor care ( n = 41), and misrepresent outcomes ( n = 23). Conclusions The favorable Google listing and reviews of alternative clinics contribute to harmful online ecosystems. Reviews provide compelling narratives but are an ineffective indicator of treatment outcomes. Google lacks safeguards for truthful reviews and should not be used for medical decision-making.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».