Utilisation des données tirées des registres du cancer : concordance des données sur les causes de décès entre le Registre d’inscription des cas de cancer de l’Ontario et une étude longitudinale chez les patientes atteintes d’un cancer du sein
Bibliographic record
Abstract
<sec> <title>Résumé</title> Une comparaison a été faite entre les données tirées du Registre d’inscription des cas de cancer de l’Ontario (RICCO) et les données d’une cohorte prospective multicentrique formée de 1 655 patientes atteintes d’un cancer du sein sans envahissement ganglionnaire faisant l’objet d’un suivi clinique rigoureux. La concordance des causes de décès a été évaluée au moyen des statistiques Kappa. L’exactitude de la classification du RICCO a été évaluée par rapport à l’interprétation, par l’oncologue de l’étude du Mount Sinai Hospital (étude MSH), des données de cohorte rigoureusement suivies et servant d’étalon de référence. Les deux sources montraient un degré de concordance élevé (valeur Kappa [κ] de 0,88; intervalle de confiance [IC] à 95 % : 0,86 à 0,90) concernant le statut vital et la cause de décès. Lorsque les deux sources faisaient état d’un décès, le RICCO avait une sensibilité de 95 % (IC à 95 % : 90,5 à 98,8) et une spécificité de 88 % (IC à 95 % : 79,6 à 92,4). Le RICCO est un outil utile dans le cadre d’études épidémiologiques sur le cancer du sein, car il permet d’obtenir de l’information adaptée et facilement accessible concernant les causes de décès. </sec>
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".