Délais diagnostiques des cancers de l’enfant : distribution, déterminants et conséquences
Bibliographic record
Abstract
L’objectif de cette thèse était d’étudier la distribution, les déterminants et les conséquences des délais diagnostiques des cancers de l’enfant, par une revue systématique de la littérature, une analyse des plaintes déposées en France et au Canada et par des études ad hoc en population sur les tumeurs ayant des délais particulièrement longs : le médulloblastome et le sarcome d’Ewing.La revue systématique n’a pas retrouvé de diminution significative de la longueur des délais au cours du temps. Les délais longs étaient associés à un âge élevé, au type histologique et à la localisation de la tumeur. Les relations entre délai et gravité de la maladie étaient variables. Seul un tiers des conclusions des expertises judiciaires (n = 56) étaient concordantes avec les données de la littérature.Le délai diagnostique médian des enfants atteints de médulloblastome en Ile-de-France (n = 166) était de 65 jours. Les délais longs étaient associés paradoxalement à des métastases moins fréquentes et à une histologie favorable, mais pas à la survie ni aux séquelles.Le délai diagnostique médian des enfants atteints de sarcome d’Ewing en France (n = 436) était de 70 jours. Les délais longs, liés à un âge élevé et à la localisation de la tumeur, n’étaient pas associés au volume tumoral, à la présence de métastases, à l’opérabilité ni à la survie.Pour certaines tumeurs, une association entre délais diagnostiques et gravité est établie (rétinoblastome) ou hautement probable. Pour d’autres, l’absence d’association démontrée permettrait de dédramatiser la perception de leurs conséquences, sans dispenser d’essayer de réduire ces délais, notamment pour en atténuer les conséquences psychologiques.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".