Arthralgies, effets secondaires des inhibiteurs de l’aromatase: fréquence, signification et conséquences
Bibliographic record
Abstract
Après une décennie d’hormonothérapie adjuvante utilisant les AI, il apparaît que ceux-ci sont un peu supérieurs au tamoxifène chez la femme ménopausée avec tumeurs hormonosensibles. Cependant, en comparaison avec le tamoxifène, une fréquence élevée d’arthralgies (définies par des douleurs dans une ou plusieurs articulations) est apparue pendant le traitement par AI, symptomatologie plus préoccupante qu’attendue. Les mécanismes en cause dans ces arthralgies liées aux AI sont mal compris, non univoques, même si la carence en estrogène semble jouer un rôle. La fréquence n’est pas bien établie au sein de la population concernée, et les signes prédictifs pas évidents, mais cet effet secondaire peut être responsable d’une mauvaise adhésion au traitement; les interventions à visée d’amélioration sont souvent inefficaces et au total, patientes et médecins peuvent être tentés de ne pas terminer le traitement. L’éducation thérapeutique afin de mieux gérer certains signes articulaires peut aider les patients à poursuivre leur traitement et ainsi améliorer leur survie. Pour certains auteurs, l’apparition de signes climatériques ou articulaires peut être un signe d’efficacité du traitement, notion qui peut être utile pour rassurer les patientes qui les présentent, mais dans la réalité de terrain, cette notion n’est pas suffisante pour améliorer l’observance. L’association entre l’existence de signesmusculosquelettiques et l’amélioration du pronostic n’est pas retenue comme effective par la majorité des auteurs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".