Les soins aux survivants du cancer : vers une grande qualité, en toute équité
Bibliographic record
Abstract
Les modèles de soins aux survivants du cancer évoluent rapidement, mais des disparités en matière de santé sont néanmoins de plus en plus évidentes entre les survivants de la maladie. Le Canada n’y échappe pas, et on observe que certains survivants privilégiés reçoivent des soins de plus grande qualité et conservent donc une meilleure santé que d’autres. La présente étude a pour but d’améliorer les soins aux survivants en aidant les cliniciens et les décideurs à mieux comprendre comment le vécu des survivants, les stratégies de gestion des soins et différents facteurs psychologiques et politiques peuvent influencer l’offre de soins aux survivants de grande qualité développés au Canada, ainsi que l’accès à ces soins. La présente étude descriptive et interprétative en trois étapes se fonde sur une approche infirmière épistémologique adoptant une perspective tant critique que multidimensionnelle. Nous avons procédé à une analyse textuelle critique de sources documentaires, de même qu’à une analyse secondaire de transcriptions d’entrevues provenant d’une base de données déjà existante; nous avons également mené des entrevues qualitatives auprès de 34 survivants et de 12 intervenants du système de santé. Nous avons ensuite extrait de ces données les facteurs individuels, collectifs et systémiques qui contribuent à creuser le fossé entre l’expérience de soins attendue et le vécu réel des survivants. En comprenant ce qui fait varier les soins aux survivants et les ressources qui leur sont allouées, nous espérons contribuer à éclaircir cette question complexe et encourager les cliniciens et les décideurs à adopter des approches à plusieurs niveaux pour assurer l’équité des soins de grande qualité.
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 | 0.014 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.009 | 0.022 |
| Scholarly communication | 0.015 | 0.010 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| 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".