ONCO Evidence: uma ferramenta inovadora para a pesquisa, gestão, ensino e assistência em oncologia
Bibliographic record
Abstract
Introdução O câncer é um dos principais problemas de saúde pública no mundo, sendo a primeira ou segunda causa de morte prematura na maioria dos países. Diante de sua magnitude, necessita de ações organizadas para seu enfrentamento e o uso de evidências científicas é um pilar para a formulação de políticas públicas, de estratégias de prevenção e controle da doença, melhoria da prática clínica e alocação eficiente de recursos financeiros. O processo de busca bibliográfica requer conhecimentos específicos para o manejo das diferentes fontes de informação e construção de estratégias de busca eficientes. A plataforma ONCO Evidence© foi estruturada para recuperar evidências técnico-científicas indexadas nas bases de dados PUBMED, EMBASE e LILACS, por meio de estratégias de busca selecionáveis em diferentes campos de busca. Métodos A construção dos campos de busca foi baseada nos acrônimos de pesquisa PICOS e PECOS, incluindo um campo para a topografia do câncer e excluindo o campo de comparador. Dessa forma, cinco campos foram criados: topografia do câncer, população, intervenção/exposição, desfecho e desenho de estudo. Para a seleção dos tipos de câncer foram consideradas as estimativas de prevalência, incidência e mortalidade do INCA e o Global Cancer Observatory. Para a seleção dos desfechos e intervenções/exposições, foi consultado o corpo técnico-científico do INCA, por meio de formulário do Google Forms. Para as populações, foram consultados os vocabulários controlados Mesh, DeCs e Emtree. Para os delineamentos de estudo, filtros validados da Canadian Agency for Drugs and Technologies in Health foram adotados. O Peer Review of Eletronic Search Strategies serviu como base metodológica para a elaboração das estratégias de busca da plataforma. Para o stack tecnológico a simplicidade, curva de aprendizado, fácil distribuição e entrega progressiva foram consideradas. Resultados No total, foram confeccionadas e revisadas, por um segundo especialista, 396 estratégias de busca. Para o campo de topografia do câncer foram elaboradas estratégias para os 30 tipos de câncer mais prevalentes e com maiores taxas de mortalidade. Em relação às intervenções/exposições, foram selecionadas 36 opções, como radioterapia, quimioterapia e imunoterapia. No campo de desfechos, 21 opções foram inseridas, entre elas: sobrevida global, sobrevida livre de progressão e mortalidade. As populações incluídas foram: idosos, crianças, adolescentes, mulheres, homens, recém-nascidos e negros. Por fim, os filtros para tipos de estudo adotados foram: revisão sistemática, ensaio clínico randomizado, estudo qualitativo e guidelines. Foram elaboradas 5 telas interativas de navegação: início, sobre, colaboradores, parcerias e contato. Para atender pesquisadores de outros países, uma versão em inglês da plataforma será disponibilizada. Discussões e conclusões Pretende-se, por meio da interface user friendly, que os usuários consigam interagir de forma eficiente com o sistema, tendo seus objetivos de pesquisa atendidos com precisão e em tempo curto, sem o auxílio de um especialista. Espera-se que a ONCO Evidence© se transforme numa ferramenta estratégica e inovadora no campo da Saúde Baseada em Evidências, bem como num modelo para iniciativas semelhantes em outras áreas do conhecimento e o start para o surgimento de uma rede integrada de plataformas voltadas para a área da saúde.
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 | 0.114 | 0.383 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.005 | 0.005 |
| Bibliometrics | 0.030 | 0.027 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.027 | 0.013 |
| Open science | 0.005 | 0.013 |
| Research integrity | 0.008 | 0.011 |
| Insufficient payload (model declined to judge) | 0.020 | 0.007 |
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".