A clinical decision support tool to improve care planning in end-of-life cancer care
Notice bibliographique
Résumé
In end-of-life cancer care, nurse clinicians strive to deliver an effective care plan to minimise pain, manage debilitating symptoms, and improve patients' quality of life as they approach end of life. Sadly, existing research literature is replete with studies contesting that sub-optimal pain and symptom management remains the reality for many end-of-life cancer patients, resulting in unnecessary suffering and a diminished quality of life. To begin to overcome the chasm between inadequate pain and symptom management currently delivered in end-of-life care, and the excellent standard of care that could be achieved, nurse clinicians need only leverage knowledge from existing knowledge resources. Researchers assert that clinical decision making for care planning in end-of-life cancer care can be improved by ensuring access to contextually relevant, medical knowledge resources at the point-of-care. Collectively, these medical knowledge resources represent a valuable asset which can improve clinical decisions and the delivery of best clinical practice, while reducing medical uncertainty, unnecessary clinical variation, and medical errors. In this research we present a clinical decision support system to bridge the knowledge gap that currently impedes the planning, and delivery, of effective pain and symptom management in end-of-life cancer care. This system enables nurse clinicians to: (a) make informed clinical decisions based upon the patient's presenting situation, care priorities, preferences, and standards of care; and (b) create personalised care plans for effective pain and symptom management in end-of-life cancer care.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».