CEASE: A novel patient directed electronic smoking cessation platform for cancer patients.
Notice bibliographique
Résumé
6584 Background: Continued smoking in cancer patients receiving treatment results in decreased efficacy, reduced survival, amd increased risk of recurrence. Despite ASCO and AACR policy statements, routine tobacco use screening and provision of smoking cessation treatment has not been widely implemented in the cancer setting. A paper-based tobacco use screening and clinician-dependent referral program for new ambulatory cancer patients was initiated at Princess Margaret Cancer Centre in 2013 resulting in moderate screen rates but low referral rates. In response, we developed and implemented a tailored patient directed electronic smoking cessation platform (CEASE) which included three elements:1) tobacco use assessment tool; 2) patient education on benefits of cessation; 3) a patient directed automatic referral system to smoking cessation programs. Methods: Interrupted time series design to examine the impact of CEASE on process of care (screening rates, referrals offered and accepted) and patient reported (quit attempts, smoking status, uptake of cessation programs) outcomes. Included 20 monthly intervals: 6 pre implementation (Apr-Sept 2015) (PRE), 8 gradual implementation across all tumour sites (Oct 2015-May 2016), and 6 postb implementation (Jun 2016-Nov 2016) (POST). A time series segmented linear regression was conducted to evaluate changes in process of care outcomes (excluding the implementation period). Pre-post self-report patient outcome data was also compared. Results: We assessed data from n = 3785 (PRE) and n = 4726 (POST) new patients. Screening rates increased from 44% using the paper-based approach to 65% with CEASE (p = 0.0019). Referrals offered to smokers who were willing to quit increased from 24% to 100% (p < 0.0001). Accepted referrals decreased from 45% to 26%; though the overall referral rate increased from 11% to 26% (p = 0.0001). The proportion of those using tobacco or attempting to quit did not differ at 3-months. However, engagement with the referral source increased from 4% to 62.5% (p < 0.001). Conclusions: CEASE was successfully implemented across all clinics and resulted in improvements in overall screening and referral rates and engagement with referral services.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | medium |
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».