Integrating palliative care into care of patients with kidney cancer and melanoma.
Notice bibliographique
Résumé
56 Background: Early palliative care (PC) has been shown to improve quality of life (QOL), enhance quality end-of-life (EOL) care, and reduce costs, yet many cancer centers lack resources to provide outpatient palliative care services. Data is needed to identify the optimal timing and most effective and efficient model for integrating PC into the care of cancer patients. In order to understand what components of PC have the greatest impact on patients, we examined the acceptability of early PC among patients with kidney cancer (RCC) and melanoma (M) and describe the content of PC visits. Methods: In July 2013, the outpatient PC team at Beth Israel Deaconess Medical Center, including physician (MD), social worker (SW) and chaplain (chap) were invited to see patients within a clinic that specializes in seeing patients with advanced RCC and M. All patients completed data on symptom burden using the Edmonton Symptom Assessment Scale, measures of QOL and degree of psycho-social and spiritual support. Referral to PC was based on these metrics and physician discretion. Results: Of the 21 patients seen by PC, 57% had RCC; 76% male; 86% White; 57% married. Mean age was 62 (range: 36-87). At the 1st PC visit: All had locally adv/metastatic disease; 48% were being treated with curative intent; 29% had not yet started treatment; 57% rated pain 0 on 0-10 scale (range: 0-9). First PC visit content: 76% psychosocial support (including building rapport); 67% symptom management; 33% included advance care planning (ACP) and decision-making support. Ninety-one percent were seen >1 by PC; 19% seen by SW or chap; median PC visits: 3. Eighty-one percent completed health care proxy. Additional data on patient outcomes will be presented. Conclusions: Nearly half of patients seen by PC were being treated with curative intent, suggesting acceptability of early PC integration in patients with RCC and M. Symptom management and psychosocial support dominated the early PC visits.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».