Cancer in pregnancy: <scp>FIGO</scp> Best practice advice and narrative review
Notice bibliographique
Résumé
Cancer during pregnancy is relatively rare. The incidence is underestimated due to the lack of international registries covering both high-income and low- and middle-income countries, and is expected to rise with increasing maternal age and increasing global adoption of cell-free DNA testing for aneuploidy. Physiological changes during pregnancy often make the diagnosis challenging and delayed. Lack of experience and knowledge about this condition may also contribute to late diagnosis, suboptimal management, and occasionally inadvertent fetal and/or maternal harm. The principles of cancer management in pregnancy for most cancer types do not differ significantly from the non-pregnant population. The impact of investigations for diagnosis and staging, risks of surgery, systemic chemotherapy, and/or radiotherapy on fetal well-being and preterm birth need to be considered for treatment and management planning, in addition to maternal wishes. Working in a multidisciplinary setting, ideally with medical and radiation oncologists, surgeons, radiologists, cancer specialist nurses, geneticists, psychologists, teratologists, and clinical pharmacologists, obstetricians, obstetric physicians, neonatologists, and experienced nursing and midwifery staff helps provide optimal care for the woman. This best practice advice aims to provide recommendations on the diagnosis and management of cancer in pregnancy, which can be adopted in all resource settings.
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 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| 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 ».