Les stratégies d’adaptation des patients porteurs d’une plaie cancéreuse : une étude analytique
Bibliographic record
Abstract
Introduction/Contexte : l’évolution de la maladie cancéreuse aboutit parfois à l’extériorisation de la tumeur à la peau, créant une plaie cancéreuse. Peu de données décrivent les stratégies d’adaptation que vont utiliser les individus pour faire face à cette situation. Objectif : l’objectif principal est de déterminer les différentes stratégies d’adaptation employées par les patients porteurs de plaies cancéreuses, et les liens avec leurs caractéristiques cliniques et sociodémographiques. L’objectif secondaire est de documenter l’image corporelle de ces individus. Matériel/méthode : une étude analytique a été proposée à 21 patients présentant une plaie cancéreuse, hospitalisés en oncologie médicale. Les versions françaises de l’échelle de stratégies d’ajustement de Vitaliano et de l’échelle de l’image corporelle ( Body Image Scale ) ont été utilisées. Résultats : les patients porteurs de plaie cancéreuse font appel aux trois stratégies de coping : problème, émotionnel et recherche de soutien social. La douleur au niveau de la plaie est associée positivement à un coping émotionnel, et l’ancienneté du diagnostic de cancer à une recherche de soutien social. L’image corporelle semble altérée. Discussion/Conclusion : l’ajustement à la plaie cancéreuse semble possible avec l’apport de soins de support tels que le soulagement de la douleur et/ou la relation d’aide. Une étude nationale tente actuellement de généraliser ces résultats.
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 | 0.011 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".