Defining lung cancer pre-diagnostic pathways in primary care: an explanatory sequential mixed-methods study
Bibliographic record
Abstract
Le cancer du poumon est le cancer le plus fréquemment diagnostiqué au Canada et la première cause de décès liée au cancer. La survie du cancer du poumon est fortement associée au stade auquel il est diagnostiqué. La probabilité cumulative que les patients atteints d'un cancer du poumon survivent au moins trois ans (i.e., une survie nette de trois ans) est de 71 % pour ceux qui sont diagnostiqués au stade le plus précoce (stade 1) et de 5 % pour ceux qui sont diagnostiqués au stade le plus tardif (stade 4). Au Canada, environ 70 % des patients atteints d'un cancer du poumon sont diagnostiqués à un stade avancé de la maladie (stades 3 et 4), ce qui souligne la nécessité de détecter le cancer du poumon plus tôt. Des études portant sur les retards de diagnostic du cancer du poumon ont montré que les retards en première ligne contribuent largement aux retards de diagnostic globaux. Au Canada, on comprend mal ce qui se passe dans les soins de première ligne, depuis la première présentation du patient avec des signes et symptômes évocateurs d'un cancer du poumon, jusqu'à la référence vers un spécialiste des maladies respiratoires - autrement dit, l'intervalle de temps passé en première ligne. En outre, il a été démontré que le Québec a le taux de mortalité de cancer du poumon le plus élevé au Canada, mais aucune étude n'est consacrée aux soins de première ligne au Québec. Afin de réduire les retards inutiles dans le diagnostic du cancer du poumon, il est nécessaire de bien comprendre l'intervalle de temps passé première ligne pour pouvoir élaborer des stratégies d'amélioration ciblées. L'objectif général de ma thèse était d'acquérir une compréhension approfondie de l'intervalle de temps passé première ligne avant le diagnostic définitif de cancer du poumon (de la première présentation à la référence au spécialiste), appelée parcours pré-diagnostic, afin d'informer des stratégies d'amélioration potentielles alignées sur les sources de retards inutiles dans le contexte du Québec. Cela a été réalisé en cinq objectifs spécifiques - un objectif de méthode (objectif 1) et quatre autres objectifs (objectifs 2-5) décrits dans quatre manuscrits. Dans le premier manuscrit (objectif 1, chapitre 3), j'ai identifié des stratégies visant à réduire le biais de rappel dans l'utilisation des soins de santé de première ligne déclaré par les patients. Dans le deuxième manuscrit, j'ai identifié les différents parcours pré-diagnostics du cancer du poumon dans les soins de première ligne (objectif 2, chapitre 4) en me basant sur les données d'utilisation des soins de santé recueillies lors de 50 entretiens structurés avec les patients et par une revue de dossiers employant l'analyse des classes latentes. J'ai ensuite décrit les parcours en fonction des caractéristiques des patients et des tumeurs, et de la séquence des activités d'utilisation des services de santé (objectif 3, chapitre 4). Dans le troisième manuscrit (objectif 4, chapitre 5), j'ai exploré le rôle des facteurs qui peuvent influencer la rapidité du diagnostic de cancer - facteurs liés au patient, à la maladie et au système - sur les parcours pré-diagnostic identifiés. Les données ont été collectées à partir d'entretiens semi-structurés avec des patients (n=12) et analysées à l'aide d'une analyse thématique en mettant l'accent sur les similitudes et les différences entre les parcours. Dans le quatrième manuscrit (objectif 5, chapitre 6), j'ai identifié des sources potentielles de retard dans les parcours pré-diagnostic en me basant sur les résultats intégrés des deux manuscrits précédents. Les résultats montrent quatre sources de retard en première ligne : occasions manquées de référence plus précoce, manque d'intégration entre les soins de première ligne et secondaires, inefficacité des cliniques sans rendez-vous et manque de standardisation du parcours pré-diagnostic
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 | 0.012 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.004 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".