Optimizing pain relief in a specialized outpatient palliative radiotherapy clinic: Contributions of a clinical pharmacist
Notice bibliographique
Résumé
PURPOSE: Bone metastases are the most common cause of cancer pain, with palliative radiotherapy (RT) the mainstay of treatment. However, relief from RT may be delayed, incomplete, or short-lived and therefore optimized pharmacologic therapy is essential. Our objective was to describe the contribution of the clinical pharmacist (CP) to an outpatient palliative RT clinic. METHODS: The Edmonton Symptom Assessment System, an 11-point scale for measuring nine symptoms, and other validated screening tools were administered, and a medication history performed by the CP. Baseline CP assessment also included opioid toxicity, need for supportive medications, and drug interactions. Anonymized clinical information was collected prospectively and descriptive statistics were compiled including themes of counselling performed by the CP. RESULTS: The CP reviewed 114 patients over 140 clinic visits (01/2007-12/2008). Median age was 68.3 years, 68.4% were male and 36.8% had prostate cancer. All symptoms improved or stabilized in ≥ 80% by 4 weeks. Median pain score was 6/10 (SD 2.6) at baseline, and 2.1/10 (SD 2.4) by week 4. Average morphine equivalent daily dose was 76.8 mg at baseline and 44.5 mg at week 4. CP assessment included screening for opioid toxicity (87.9%), recommending a change in analgesic (28.9%), and liaison with the community pharmacy (17.1%). Medication counselling took place in 84.3% of visits, on bowel routine (85.6% of the time), opioids (82.2%), and hydration (40.7%). CONCLUSIONS: The CP plays a key role in holistic patient assessment and optimization of pharmacologic therapy, contributing to improved symptom control of patients receiving palliative RT.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».