ONCO Evidence: uma ferramenta inovadora para a pesquisa, gestão, ensino e assistência em oncologia
Notice bibliographique
Résumé
Introdução O câncer é um dos principais problemas de saúde pública no mundo, sendo a primeira ou segunda causa de morte prematura na maioria dos países. Diante de sua magnitude, necessita de ações organizadas para seu enfrentamento e o uso de evidências científicas é um pilar para a formulação de políticas públicas, de estratégias de prevenção e controle da doença, melhoria da prática clínica e alocação eficiente de recursos financeiros. O processo de busca bibliográfica requer conhecimentos específicos para o manejo das diferentes fontes de informação e construção de estratégias de busca eficientes. A plataforma ONCO Evidence© foi estruturada para recuperar evidências técnico-científicas indexadas nas bases de dados PUBMED, EMBASE e LILACS, por meio de estratégias de busca selecionáveis em diferentes campos de busca. Métodos A construção dos campos de busca foi baseada nos acrônimos de pesquisa PICOS e PECOS, incluindo um campo para a topografia do câncer e excluindo o campo de comparador. Dessa forma, cinco campos foram criados: topografia do câncer, população, intervenção/exposição, desfecho e desenho de estudo. Para a seleção dos tipos de câncer foram consideradas as estimativas de prevalência, incidência e mortalidade do INCA e o Global Cancer Observatory. Para a seleção dos desfechos e intervenções/exposições, foi consultado o corpo técnico-científico do INCA, por meio de formulário do Google Forms. Para as populações, foram consultados os vocabulários controlados Mesh, DeCs e Emtree. Para os delineamentos de estudo, filtros validados da Canadian Agency for Drugs and Technologies in Health foram adotados. O Peer Review of Eletronic Search Strategies serviu como base metodológica para a elaboração das estratégias de busca da plataforma. Para o stack tecnológico a simplicidade, curva de aprendizado, fácil distribuição e entrega progressiva foram consideradas. Resultados No total, foram confeccionadas e revisadas, por um segundo especialista, 396 estratégias de busca. Para o campo de topografia do câncer foram elaboradas estratégias para os 30 tipos de câncer mais prevalentes e com maiores taxas de mortalidade. Em relação às intervenções/exposições, foram selecionadas 36 opções, como radioterapia, quimioterapia e imunoterapia. No campo de desfechos, 21 opções foram inseridas, entre elas: sobrevida global, sobrevida livre de progressão e mortalidade. As populações incluídas foram: idosos, crianças, adolescentes, mulheres, homens, recém-nascidos e negros. Por fim, os filtros para tipos de estudo adotados foram: revisão sistemática, ensaio clínico randomizado, estudo qualitativo e guidelines. Foram elaboradas 5 telas interativas de navegação: início, sobre, colaboradores, parcerias e contato. Para atender pesquisadores de outros países, uma versão em inglês da plataforma será disponibilizada. Discussões e conclusões Pretende-se, por meio da interface user friendly, que os usuários consigam interagir de forma eficiente com o sistema, tendo seus objetivos de pesquisa atendidos com precisão e em tempo curto, sem o auxílio de um especialista. Espera-se que a ONCO Evidence© se transforme numa ferramenta estratégica e inovadora no campo da Saúde Baseada em Evidências, bem como num modelo para iniciativas semelhantes em outras áreas do conhecimento e o start para o surgimento de uma rede integrada de plataformas voltadas para a área da saúde.
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 | 0,114 | 0,383 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,030 | 0,027 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,027 | 0,013 |
| Science ouverte | 0,005 | 0,013 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,007 |
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 ».