Identifying Educational Needs and Practice Gaps of European Hematologists and Hematology Nurses in the Treatment and Management of Multiple Myeloma
Notice bibliographique
Résumé
This needs-assessment aimed to identify clinical challenges faced by hematologists and hematology nurses in the diagnosis, treatment, and management of multiple myeloma, as well as contextual barriers hindering optimal care of patients with multiple myeloma. This manuscript focuses on key findings in relation to decision-making regarding new treatment options. A mixed methods study consisting of qualitative (from semistructured interviews) and quantitative data (from an online survey) was conducted in 8 European countries among hematologists and hematology nurses. The triangulated data led to the identification of 3 key findings related to decision-making: (1) Educational needs regarding mechanisms of action and side effect profiles of new therapies, (2) educational needs regarding the sequencing and combination of new agents with current therapies, and (3) contextual barriers to the integration of new agents. Specific knowledge and skill gaps were identified as causalities of the educational needs, providing information to guide future educational programs. Of note, 34% of hematologists and 69% of nurses reported suboptimal knowledge of the mechanisms of action of new agents and 30% of hematologists reported suboptimal skills integrating new agents in combination with current treatments. This needs-assessment highlighted the importance to address the educational needs and their underlying causes through medical education activities to ensure hematologists and hematology nurses are up-to-date with the latest treatments in the field as they become available. The contextual barriers identified should be considered when designing the educational programs to ensure content is applicable to the clinical reality of learners.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».