Livre blanc : Faire progresser la science des symptômes du cancer à l’échelle mondiale : perspectives et stratégies ressorties de la première réunion d’infirmières expertes en science des symptômes du cancer
Bibliographic record
Abstract
Objet : La première réunion d’infirmières expertes en science des symptômes du cancer s’est tenue les 11 et 12 octobre 2023, à Lausanne, en Suisse. Quarante infirmières chercheuses représentant sept pays ont assisté à cette réunion qui visait à renforcer la collaboration au sein de la communauté internationale des chercheurs en science des symptômes, préciser les domaines d’intérêt commun, faire ressortir les lacunes dans les connaissances et les possibilités de recherche, et élaborer des stratégies pour surmonter les difficultés et accélérer la recherche en science des symptômes à l’échelle internationale. Le présent livre blanc sert à résumer les discussions et les recommandations formulées lors de cette réunion et à présenter la Global Research Alliance in Symptom Science (alliance GRASS). Déroulement : Au cours de la réunion de deux jours, on a présenté des exposés sur des problèmes cruciaux et des questions qui restent sans réponses en science des symptômes du cancer et d’autres maladies chroniques. Quatre groupes de travail ont repéré des lacunes dans les connaissances et des occasions à saisir, et défini les orientations stratégiques et les mesures indispensables à prendre pour faire progresser la science des symptômes. Résultats :Voici les recommandations formulées par les groupes de travail : GT1) utiliser les meilleures méthodes possibles pour recueillir, analyser et utiliser des données sur les symptômes destinées à servir en clinique et en recherche; GT2) créer un ensemble minimum de données, ou un modèle de données commun, pour la recherche en science des symptômes; GT3) raffiner les pratiques exemplaires de mise en œuvre de stratégies scientifiques de manière à améliorer la gestion des symptômes fondée sur les données probantes dans les soins de routine; et GT4) renforcer les capacités et l’infrastructure pour créer une alliance internationale en science des symptômes du cancer (Alliance GRASS). Conclusions :La communauté internationale se mobilise pour faire progresser la science des symptômes. Le mini-symposium a permis de jeter les bases de la création de l’alliance GRASS, qui se consacre à la science des symptômes du cancer et d’autres maladies chroniques. Organiser des réunions scientifiques à intervalles réguliers, promouvoir la collaboration interdisciplinaire et mobiliser des chercheurs de la science des symptômes, voilà les orientations que l’alliance s’est choisies pour l’avenir. Mots-clés : cancer; maladie chronique; états comorbides; santé globale; science des symptômes
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 | 0.075 | 0.106 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.012 | 0.014 |
| Scholarly communication | 0.021 | 0.028 |
| Open science | 0.004 | 0.018 |
| Research integrity | 0.016 | 0.031 |
| Insufficient payload (model declined to judge) | 0.030 | 0.008 |
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".