Risk and impact of cancer on individuals with multiple sclerosis : results from the French medico-administrative database (SNDS)
Bibliographic record
Abstract
L’objectif de cette thèse était d’évaluer le risque et l’impact du cancer dans la sclérose en plaques (SEP) en France en mobilisant les données du système national des données de santé (SNDS).Dans un premier temps, nous avons observé un léger surrisque de cancer dans la SEP comparé à un échantillon apparié de la population générale. Ce surrisque était particulièrement marqué pour le cancer de la vessie et, dans une moindre mesure celui du col de l’utérus. Le risque de cancer semblait exacerbé chez les personnes âgées de moins de 55 ans au début du suivi. Un risque particulièrement élevé a été identifié pour le cancer de la vessie, du cerveau et système nerveux central ainsi que du col de l’utérus.Dans un deuxième temps, nous avons identifié et caractérisé un sous-recours au dépistage du cancer du sein et du côlon-rectum chez les personnes ayant une SEP, comparé à la population générale. Ce sous-recours était particulièrement marqué chez les personnes âgées de 65 ans et plus. Grâce à des analyses qualitatives depuis des entretiens semi-directifs, le rôle majeur des professionnels de santé dans la sensibilisation au dépistage ainsi que des difficultés liées au handicap physique ont été soulignés.Enfin, dans un troisième temps, nous avons évalué l’impact du cancer sur la prise en charge de la SEP en France ainsi qu’au Canada (Colombie Britannique). Il semblerait qu’il y ait un maintien du suivi neurologique à la suite du cancer dans les deux régions. Néanmoins, nous avons observé une forte baisse de l’utilisation des traitements de fond à la suite d’un cancer, particulièrement en présence de chimiothérapie ou radiothérapie.L’ensemble de ces résultats ont permis de mieux caractériser les liens entre SEP et cancer, particulièrement en termes de prévention, d’accès aux soins et prise en charge dans un contexte multimorbide.
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 | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".