Engagement in a statewide oral oncolytic collaborative and practice impact.
Notice bibliographique
Résumé
89 Background: The rapid shift to oral oncolytic therapy presents challenges to oncology practitioners. The purpose of this study is to describe how participation in a statewide oral oncolytic improvement collaborative where best practices and resources were shared can readily impact quality of care as measured by national standards. Methods: The Michigan Oncology Quality Consortium (MOQC) hosted a series of learning collaborative sessions focused on topics and deployment of resources specific to oral oncolytic management and quality improvement. Participating practices performed pre/post self-assessments in Oct. 2013 and Apr. 2015 (n = 3). Concordance with national ASCO QOPI and ONS standards was compared, including documentation (5 measures), patient education (7 measures), and follow-up/monitoring (4 measures). A response scale of always, sometimes, and never was used. Specifically, practices were surveyed to assess which evidence-based MOQC resources were implemented: patient intake template, drug-specific self-management guides, start date mailer, medication calendar, primary care physician communication template, Edmonton Symptom Assessment Scale (ESAS), and patient adherence questionnaires. Results: Practice A showed improvement in documentation, patient education, and monitoring. This practice used the initial oral chemotherapy template, ESAS, patient education templates, and patient calendar (Table). Practice B implemented 6 resources and demonstrated improvements in 15 metrics. Practice C implemented 4 resources, namely patient-focused resources, to improve all patient education and monitoring metrics. Conclusions: Use of the collaborative model and supplying oncology teams with scientific evidence, standard workflows, and resources improves concordance with national standards of care. Large-scale deployment of this model program may provide a clinically efficient and effective mechanism to enhance widespread change. [Table: see text]
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 | 0,020 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».