Healthcare Professionals’ Knowledge of Family Psychosocial Problems in Pediatric Cancer
Notice bibliographique
Résumé
BACKGROUND: Best practice guidelines for the treatment of cancer now advocate for a child- and family-centered model of care and a psychosocial model of risk prevention. However, healthcare professionals (HCPs) report a number of barriers preventing the implementation of psychosocial care, including an absence of tools to help identify psychosocial problems within the family. OBJECTIVES: The aims of this study are to (1) explore the psychometric properties of the Psychosocial Care Checklist (PCCL) and (2) test if the PCCL can differentiate the degree to which HCPs are aware of psychosocial problems within the family (patient, siblings, parents) of a child with cancer. METHODS: Thirty-seven HCPs caring for a child with cancer completed the PCCL at time 1 (2-4 weeks after diagnosis) and 29 HCPs completed the PCCL at time 2 (2-3 weeks after). RESULTS: The PCCL had strong test-retest reliability for all domains (α > .60) and strong internal consistency for the total PCCL (α = .91). Interrater reliability was moderate for the oncologist-nurse dyad with regard to sibling knowledge (r = 0.56) and total psychosocial knowledge (r = 0.65). Social workers were significantly more knowledgeable than both nurses and oncologists about total family problems (P = .01) and sibling problems (P = .03). CONCLUSIONS: Preliminary findings suggest that the PCCL has adequate test-retest reliability and validity and is useful in differentiating the degree to which HCPs are aware of psychosocial problems within the family, with social workers being the most knowledgeable. IMPLICATIONS FOR PRACTICE: Using the PCCL may help HCPs to identify psychosocial problems within the family and appropriately allocate psychosocial resources.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».