Améliorer les parcours de diagnostic du cancer du sein au Québec
Bibliographic record
Abstract
Les retards de diagnostic du cancer du sein peuvent aggraver la maladie et renforcer les inégalités. Fondé sur des renseignements tirés de la littérature scientifique sur les soins du cancer, de rapports gouvernementaux et d’entretiens avec des experts, ce rapport analyse les capacités et performances du Québec en matière de diagnostic. La première section décrit les types de données sur le cancer du sein recueillies par le Québec et l’impact de la disponibilité de ces données sur la mesure des indicateurs de performance. La deuxième section explique en quoi les facteurs socioéconomiques et le manque de clarté des normes de prise en charge des patientes et patients hors programme de dépistage organisé au Québec entravent le diagnostic. Nous examinons également dans quelle mesure l’absence de soins standardisés et intégrés, ainsi que l’obsolescence du Registre du cancer du Québec contribuent à accroître les délais et les inefficacités. La dernière section du rapport compare les innovations en matière de diagnostic du cancer du sein au Québec à celles de l’Alberta et de l’Ontario, où les délais de diagnostic sont plus courts. Il ressort de cette comparaison que le Québec devrait inclure les personnes à risque élevé dans son programme de dépistage, émettre des recommandations de dépistage personnalisées, moderniser les technologies d’imagerie et de tests génétiques disponibles, ainsi qu’améliorer les méthodes de communication. Nous discutons également des études et initiatives pertinentes pour accroître l’adhésion au dépistage au sein des groupes dont les taux de dépistage sont faibles. Dans l’ensemble, ce document présente des stratégies tangibles pour raccourcir l’intervalle diagnostique du cancer du sein et rationaliser le processus, et dirige le lecteur vers des ressources clés pour des recherches plus approfondies.
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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".