MétaCan
Menu
← Retour à la cohorte
Enregistrement W4410795530 · doi:10.1200/jco.2025.43.16_suppl.e13848

Knowledge and practice of geriatric oncology among cancer care providers in Africa: A CROSS-sectional survey.

2025· article· en· W4410795530 sur OpenAlexaff
Abeid Omar, Verna Vanderpuye, Wilma M. Hopman, Naa Adorkor Aryeetey, Omar Abdihamid, Vandrome Nakundi Kakonga, Fidel Rubagumya, Enrique Soto‐Pérez‐de‐Celis, Nazik Hammad

Notice bibliographique

RevueJournal of Clinical Oncology · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueFrailty in Older Adults
Établissements canadiensUniversity of TorontoSt. Michael's HospitalQueen's University
Organismes subventionnairesnon disponible
Mots-clésMedicineCross-sectional studyGeriatric oncologyFamily medicineCancerClinical OncologyOncologyInternal medicineNursingPathology

Résumé

récupéré en direct d'OpenAlex

e13848 Background: Africa is witnessing an increase in its older population and in cancer incidence, but little is known about the regional status of geriatric oncology. We conducted a cross-sectional survey among African physicians managing older adults with cancer to understand African geriatric oncology practices. Methods: A 30-item survey on the utilization of geriatric assessment (GA) and on the management of older adults with cancer, based on previously published surveys from the United States and Latin America, was distributed electronically via snowball sampling to physicians practicing oncology in Africa. Answers were collected between April and November 2024. Descriptive statistics were utilized to describe participant answers using SPSS software. Results: 179 participants started the survey and 84 completed it. Participants worked in 14 countries across 5 African regions, and most (76%) were aged < 45Seven percent of participants were surgeons, 13% medical oncologists, 61% clinical/radiation oncologists, and 13% trainees. Seventy-one percent knew the correct definition of older age. Most participants (88%) worked in academic and public institutions, with older adults accounting for 10-40% of treated patients. Most agreed (82%) that older patients should be treated differently, and 92% stated they assessed them differently, but < 20% did so using validated GA tools. Only 7% had a geriatrician at their institution while 21% knew a geriatrician in their city or healthcare system. Among those with a geriatrician at their institution, 83% involved them in managing patients. All respondents agreed that GA is necessary, but only 58% were aware of international geriatric oncology guidelines. The most evaluated domains included instrumental activities of daily living (41%), comorbidities (31%), toxicity risk (27%), and life expectancy (23.8%). Barriers to GA included lack of geriatricians (92%), lack of services available to perform GA (84%), lack of access to interventions (71%), and lack of reimbursement (39%). Most participants strongly agreed that treatment toxicities (84%), comorbidities (84%), patient prognosis (83%), and nutritional status (86%) strongly mattered in making the treatment decisions, while age (65%), was not considered as important. Only 20% believed there is enough information from clinical trials to treat older adults with cancer. Nearly all (97%) agreed that cancer care for older patients should be improved and were interested in receiving training. Conclusions: Geriatric oncology is an unmet need in Africa, and its implementation is limited by a lack of resources and personnel. Training African healthcare workers in geriatric oncology should be a future priority to increase the capacity to provide care for this growing population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,152
Tête enseignante GPT0,532
Écart entre enseignants0,380 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetFrailty in Older Adults→Travaux en français237 207→