Les médicaments biosimilaires en oncologie au canada : rôle des infirmières
Bibliographic record
Abstract
Les infirmières canadiennes connaissent les médicaments biosimilaires de manière générale, mais leur compréhension de certains aspects spécifiques peut être morcelée; un important besoin de formation existe donc à l’heure actuelle. Pour aider les infirmières canadiennes à mieux comprendre les médicaments biosimilaires dans le paysage du traitement oncologique et pour répondre à certaines préoccupations liées aux agents biosimilaires, ce Supplément vise à : présenter les médicaments biologiques en général, avec leur mode de production; décrire la biosimilarité et les médicaments biosimilaires en les comparant aux médicaments biologiques de référence; expliquer les mécanismes d’action des médicaments biosimilaires comparativement aux médicaments biologiques de référence; détailler les étapes conduisant au développement d’un médicament biosimilaire; discuter de l’extrapolation des indications pour les médicaments biosimilaires (« totalité des preuves » pour les médicaments biosimilaires); aborder l’interchangeabilité et la substitution des médicaments biosimilaires; présenter le processus d’approbation des médicaments biosimilaires par Santé Canada; parler du rôle des infirmières dans l’introduction des médicaments biosimilaires et la surveillance des patients.
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 | 0.005 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 0.003 |
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".