Optimizing patient education of oncology medications: A descriptive survey of pharmacist-provided patient education in Canada
Notice bibliographique
Résumé
BACKGROUND: The incidence of cancer is increasing in Canada due to an aging and growing population. This frequently necessitates chemotherapy, which is a high-risk treatment, often given as a part of a complex regimen with serious side effects. A review of the evidence of pharmacy-provided patient education initiatives targeted to oncology patients revealed that minimal is known about this service. OBJECTIVE: The objective of this study was to determine the different models of patient education of oncology medications delivered by pharmacists to adult oncology patients in a hospital or cancer center in Canada. METHODS: The study design was a descriptive online survey developed by the investigation team and was distributed to pharmacists who provided patient education to adult oncology patients. The primary outcome of this research project was to describe self-reported pharmacist-provided patient education of oncology medications across Canada. The survey data was analyzed quantitatively with Opinio survey software. RESULTS: Sixty-four pharmacists completed the survey. Key findings of the study were that approximately 50% of pharmacists spend up to 25% of their time providing direct patient care and that not all adult oncology patients are receiving education by a pharmacist. CONCLUSIONS: Pharmacists provide patient education at the first treatment, change in therapy, and on request of another healthcare professional. Most cover administration, side effects, their prevention and management, and drug-interactions. Frequently used teaching methods include structured patient education delivery process, customized teaching for each patient, and repetition of key educational points.
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 | 0,002 | 0,012 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».