Modèle de survie au cancer appliqué aux soins holistiques et à la recherche
Bibliographic record
Abstract
Les progrès réalisés dans la lutte contre le cancer ont augmenté les taux de survie, entraînant un tel changement de paradigme que le cancer est maintenant considéré comme une maladie chronique; il nous faut donc évaluer notre connaissance de la survie au cancer (SC). C’est dans cette optique que les auteurs ont procédé à une recension exhaustive des écrits dans les référentiels CINAHL, MEDLINE et PUBMED de 2000 et 2021. En s’appuyant sur les concepts étudiés dans la littérature, ils ont répertorié les principaux facteurs qui influencent la survie au cancer dans l’ensemble des populations atteintes et ont proposé un modèle. Le présent article décrit ce modèle de survie au cancer (MSC). Le MSC prend en compte les facteurs prédisposant à la survie ainsi que les facteurs d’influence en jeu dans les trois phases de survie (aiguë, prolongée et permanente), à savoir le traitement et le traitement d’entretien (soins médicaux et psychosociaux), le bien-être, et d’autres éléments d’influence (expériences entraînant de profonds changements, incertitude, établissement de priorités, gestion du bien-être et conséquences indirectes) de même que les facteurs liés aux relations sociales qui jouent sur le fardeau des symptômes des survivants ainsi que l’expérience globale de la survie (état de santé et qualité de vie). Une étude de cas a d’ailleurs montré l’utilité du MSC. L’application du modèle est prometteuse pour l’avenir, tant pour améliorer la qualité de la survivance que pour guider la recherche et la pratique clinique en vue de favoriser et d’optimiser la bonne santé des survivants à long terme.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".