Oral Anticancer Medication Adherence, Toxicity Reporting, and Counseling: A Study Comparing Health Care Providers and Patients
Notice bibliographique
Résumé
PURPOSE: Oral anticancer medications (OACMs) have created new treatment opportunities, but also challenges for patients and practitioners. We aimed to compare health care provider (HCP) and patient perceptions on OACM adherence, toxicity reporting, and patient educational needs. METHODS: An online survey for HCPs and paper survey for patients were analyzed using descriptive statistics. Bivariate analysis using the χ(2) test was used for some questions. RESULTS: There were 169 HCP and 143 patient responses; 91% of patients reported taking their OACMs as prescribed more than 75% of the time, but only 40% of HCPs believed their patients were as adherent; 97% of HCPs believed patients reported their adverse effects some or most of the time; 61% of patients reported toxicities sometimes, often, or very often, but 30% never or rarely reported; 66% of HCPs believed patients did not report toxicity because of fear of treatment interruption, compared with 2% of patients. HCPs (53%) and patients (62%) both believed adverse effect tolerance was a common reason not to report. Most HCPs (70%) believed patients reported adverse effects first to a nurse. Patients seemed to report equally to nurses (42%) and oncologists (38%). Both HCPs and patients favored paper-based educational materials and call-back programs. CONCLUSION: This study highlights disparities in patient and HCP perceptions of OACM adherence principles and toxicity reporting. Opportunities for improved patient education are identified, particularly around reporting significant toxicities. Different HCPs may benefit from complimentary counseling tools to encompass the entire spectrum of patient needs and provider practice.
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 | 0,003 | 0,007 |
| 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 ».