Global disparities in cancer supportive care: An international survey
Notice bibliographique
Résumé
BACKGROUND: The global cancer burden is rising, particularly in low- and middle-income countries (LMIC), highlighting a critical research gap in understanding disparities in supportive care access. To address this, the Multinational Association of Supportive Care in Cancer (MASCC) Health Disparities Committee initiated a global survey to investigate and delineate these disparities. This study aims to explore and compare supportive care access disparities between LMIC and High-Income Countries (HIC). METHODS: An online cross-sectional survey was conducted among active members of MASCC. Members, representing diverse healthcare professions received email invitations. The survey, available for 3 weeks, comprised sections covering (1) sociodemographic information; (2) clinical service/practice-related disparities in their region/nation; (3) population groups facing disparities within their region or country. Chi-squared or Fisher's exact test for cross-sectional analyses, and a multivariable logistic regression model was employed for statistical analysis. RESULTS: A total of 218 active members participated, with one-quarter (26.6%) from LMIC and 18.4% ethnic minorities, timely cancer care (43.7%) and timely supportive care (45.0%) emerged as the most pressing disparities globally. Notably, participants from LMIC underscored cancer drug affordability (56.4%) and supportive care guideline implementation (56.4%) as critical issues. Economically disadvantaged populations were noted as more likely to face disparities by both LMIC and HIC (non-US-based) respondents, while US-based respondents identified racial/ethnic minorities as facing more disparities. CONCLUSION: This global survey reveals significant disparities in cancer supportive care between LMIC and HIC, with a particular emphasis on medication affordability and guideline implementation in LMIC. Addressing these disparities requires targeted intervention, considering specific regional priorities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».