Decision-making by surgeons about referral for adjuvant therapy for patients with non-small-cell lung, breast or colorectal cancer: a qualitative study
Notice bibliographique
Résumé
BACKGROUND: Because surgeons are the main gatekeepers to oncology services, understanding how they make decisions related to referral for adjuvant therapies is important to optimize referral rates and use of oncology services for patients with potentially curable disease. We examined decision-making by surgeons related to referral to oncology services for patients having undergone curative-intent surgery for non-small-cell lung, breast or colorectal cancer. METHODS: We conducted a qualitative study, whose design was guided by the principles of grounded theory. Semi-structured interviews were held with 29 surgeons who performed non-small-cell lung, breast or colorectal cancer surgery in the province of Nova Scotia. Data were collected and analyzed concurrently. Analysis involved an inductive, grounded approach using constant comparative analysis. Data collection and analysis continued until theoretical saturation was reached. RESULTS: Seven factors influenced the surgeons' decision-making related to referral to oncology services: indications and contraindications for therapy; patients' beliefs and preferences; a belief that oncologists are the experts; knowledge of local standards of care; consultation with oncology colleagues; navigating patient logistics (e.g., lodging, caregiving responsibilities, insurance coverage); and system resources and capacity. INTERPRETATION: Our study's findings provide a novel understanding of how surgeons make decisions about oncology referral and point to potential areas for intervention to promote referral to oncology services for patients for whom adjuvant therapy is recommended.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».