Mise en place de l’oncologie gériatrique dans un hôpital isolé de Guyane française
Notice bibliographique
Résumé
INTRODUCTION: The aim was to analyze the implementation of the Onco-Geriatrics model in a remote ultramarine territory: West-French Guiana. The population is socially precarious in terms of income, social coverage and administrative status, and most often speaks a non-French language and has a non-Western culture. METHODS: Narrative description of the implementation and retrospective study of anonymized data from the database of older patients managed for cancer between September 2014 and December 2020. RESULTS: A total of 574 new patients were managed. Of these, 107 were aged 70 and over; 78 (73 %) had a G8 test. Forty-two patients had a multidimensional geriatric assessment (MGA). More than half the patients had dependency criteria, malnutrition and a high number of severe comorbidities. Difficulties encountered were language, level of education, clinical context (in 18 patients), but also insufficient involvement of health professional and the consequences of health organization and gradual implementation. DISCUSSION: Implementation was impacted by the fact that quality criteria for implementation were not sufficient. Studies in high-middle-income countries in South America suggest that initial implementation of the MGA may be preferable, that frailty screening tests and the MGA procedure can be adapted to non-Western populations, and that the use of new technologies can improve the management of older patients in this context.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».