The use of complementary and alternative medicine in patients treated for haematological diseases
Bibliographic record
Abstract
Wstęp: Dane epidemiologiczne wskazują na rosnące zainteresowanie medycyną komplementarną i alternatywną (ang.complementary and alternative medicine -CAM).Pacjenci stosują metody CAM alternatywnie, czyli zamiast terapii konwencjonalnej lub wraz z terapią konwencjonalną.Najczęściej z tej formy leczenia korzystają pacjenci onkologiczni.Celem pracy jest ocena rozpowszechnienia CAM w grupie pacjentów leczonych z powodu chorób hematologicznych. Materiał i metoda:Badanie obserwacyjno-przekrojowe prowadzono od stycznia do marca 2023 r. wśród pacjentów leczonych z powodu chorób hematologicznych na Oddziale Hematologii i Transplantacji Szpiku w Centrum Onkologii Ziemi Lubelskiej im.św.Jana z Dukli.Badaniem objęto 105 pacjentów.Narzędziem standaryzowanym wykorzystanym w kwestionariuszu ankiety był Międzynarodowy Kwestionariusz Pomiaru Wykorzystania Medycyny Komplementarnej i Alternatywnej.Kwestionariusz składa się z czterech części.Wyniki: Średnia wieku badanych wynosiła 49,54 ±15,68 lat.Odsetek osób, które w ciągu ostatniego roku korzystały z porady lekarza specjalisty w zakresie CAM wynosił 48,6% (n = 51), a powodem porady u tego specjalisty było najczęściej leczenie choroby przewlekłej lub jej objawów.Najczęściej respondenci wskazywali, że leczenie zaproponowane przez specjalistę CAM było bardzo pomocne (56,9%, n = 29).Wnioski: Większość badanych pacjentów leczonych z powodów hematologicznych korzystało w ciągu ostatniego roku z porady u specjalisty CAM i metod leczenia CAM.Należałoby przeprowadzić ogólnopolskie badania oceniające wykorzystanie metod CAM przez pacjentów leczonych z powodów onkologicznych oraz określić potencjalne interakcje z lekami używanymi w medycynie konwencjonalnej.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".