Medical Genetic Counseling for Breast Cancer in Primary Care: A Synthesis of Major Determinants of Physicians' Practices in Primary Care Settings
Notice bibliographique
Résumé
OBJECTIVES: This paper aims to identify relevant potential predictors of medical genetic counseling for breast cancer (MGC-BC) in primary care and to develop a comprehensive questionnaire to study MGC-BC. METHODS: A scoping review was conducted to identify the predictors of MGC-BC among primary care physicians. Relevant articles were identified in selected databases (PubMed, Embase, CINAHL, ISI Web of Science, PsycINFO, and Cochrane CENTRAL) and 4 selected relevant electronic journals. RESULTS: An inductive analysis of the 193 quantitatively tested variables, conducted by 3 researchers, showed that 6 conceptual categories of determinants, namely (1) demographic, (2) organizational, (3) experiential, (4) professional, (5) psychological, and (6) cognitive, influence MGC-BC practices. CONCLUSION: There is a scarcity of literature addressing the medical behavior determinants of MGC-BC. Future research is needed to identify effective strategies put into action to support the integration of MGC-BC in primary care medical practices and routines. However, our results shed light on 2 levels of actions that could improve genetic counseling services in primary care: (1) medical training and educational efforts emphasizing family history collection (individual level), and (2) clarification of roles and responsibilities in ordering and referral practices in genetic counseling and genetic testing for better healthcare management (organizational level).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».