Professional practice gaps and barriers to optimal care of renal cell carcinoma (RCC) among oncologists in the United States.
Notice bibliographique
Résumé
404 Background: New therapies for advanced RCC have improved patient outcomes while increasing the complexity of care. We sought to quantify practice gaps and barriers to optimal care among oncologists treating patients with RCC at academic and/or community centers in the United States. Methods: In total, 248 oncologists were recruited for a 2-phase (qualitative/quantitative) study. Eligible participants who had fully completed either one of the 2 phases were included in the analyses (n = 169). In the first phase, participants (n = 27) completed a brief online case-based survey and a 45-minute telephone interview on the attitudinal, contextual, and behavioral factors that influenced diagnosis and treatment. Selected interviews were transcribed and analyzed through thematic analysis. In the second phase, participants (n = 142) completed an online survey including case vignettes. Respondents’ answers were compared with optimal answers based on National Comprehensive Cancer Network kidney cancer guidelines (version 1.2013) and evidence-based opinions of 2 RCC experts. Results: Forty-six percent of participants correctly identified all predictors of short survival/poor risk in RCC. Regarding treatment options for a poor-risk patient, 37.5% chose temsirolimus and 11% sunitinib, both felt to be reasonable options. In a scenario focused on dose and treatment modification in a patient with treatment-related hypertension, 34% selected a nonoptimal management option. In a scenario focused on the importance of recognizing clinical symptoms as a component of treatment decision making, 40% of respondents were in agreement with expert- and evidence-supported treatment approach. Detailed results of this analysis will be presented. Conclusions: This study revealed clinically relevant practice performance gaps that affect delivery of care and patient health outcomes. Not recognizing predictors of poor risk or the importance of evaluating clinical symptoms can result in missed opportunities to change treatment strategy, leading to suboptimal outcomes. These results will support design of educational programs and performance improvement interventions.
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 | 0,007 | 0,018 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».