Protocol for a multi-country investigation of overseas care and cancer survivorship in small islands developing states of the Eastern Caribbean: The CaSIDEC study
Notice bibliographique
Résumé
ABSTRACT Background Small Island Developing States (SIDS) make up worldwide, 65 million people. SIDS have some of the highest rates of cancer mortality burden in the developing world. Disparities in cancer mortality could be attributed to reliance on services overseas which is a common feature across SIDS due to limited resources for comprehensive cancer care on-island. Overseas travel for cancer care, remains largely understudied in SIDS, and epidemiological data on the impact on patient outcomes are lacking. We aim to investigate the association with overseas travel for care and known determinants of patient outcomes (treatment delays, lifestyle and social support) in Caribbean SIDS using mixed-methods. Methods We will establish a cohort of 900 cancer survivors residing in the islands of Antigua, Dominica, Grenada, Saint Kitts, Saint Lucia and Saint Vincent. Eligible participants will be adult cancer survivors (any cancer site, histology and diagnosis year) and having accessed health services in their island of residence due to cancer. Sites for recruitment will be cancer support groups, public and private hospitals and oncology clinics. Participants will be contacted by a trained interviewer for a face-to-face survey. For every country visited for diagnosis and/or treatment, we will record the services accessed, and motives for the choice of country. In-depth interviews and focus groups will be conducted with cancer survivors and their caregivers to learn about overseas travel and social support systems. Discussion This is the first investigation on the influence of overseas travel on cancer care in multiple Caribbean SIDS. Our work will produce recommendations to fill performance gaps in the systems for cancer care in the OECS that will improve patients’ lives at multiple phases. It is an important first step to developing data resources for high-quality research in understudied SIDS.
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 | 0,047 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,069 | 0,016 |
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 ».