Et si l’accès à des données fiables sur le cancer du sein pouvait sauver des vies ?
Bibliographic record
Abstract
Une femme sur huit recevra un diagnostic de cancer du sein au cours de sa vie. Au Canada, le cancer du sein est la deuxième cause de décès par cancer chez les femmes de tous âges, mais la première cause chez les femmes de 30 à 49 ans. Les retards de diagnostic peuvent aggraver la maladie et renforcer les inégalités. Au Québec, les délais de diagnostic sont nettement plus longs qu’en Ontario ou en Alberta où les délais sont les plus courts du pays. Un registre du cancer désuet et un manque de normalisation des soins contribuent aux retards du Québec. Dans cet article, les auteures explorent les capacités, performances et innovations en matière de diagnostic de cancer du sein au Québec et les comparent à celles d’autres provinces. Selon elles, le Québec peut et doit faire mieux en renforçant son engagement à l’égard de politiques novatrices et en développant des méthodes efficaces pour recueillir des données exhaustives, standardisées, à jour et accessibles. Ces efforts sont essentiels, tant pour la planification des soins que pour l’avancement de la recherche.
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 | 0.069 | 0.203 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 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".