Best Practices in Oncology Distress Management: Beyond the Screen
Notice bibliographique
Résumé
The field of psychosocial oncology is a young discipline with a rapidly expanding evidence base. Over the past few decades, several lines of research have established that psychosocial problems, such as anxiety, depression, post-traumatic stress, fatigue, sexual dysfunction, and cognitive complaints, are common and consequential in patients with cancer. The word "distress" was chosen deliberately to capture a broad concept; consequently, distress screening is meant to function as an initial step in the more targeted evaluation of the source(s) of the patient's distress. In 2015, the American College of Surgeons' Commission on Cancer mandated psychosocial distress screening as part of their accreditation process. Similar screening requirements are in place internationally, including in Canada, where screening for distress is endorsed as the sixth vital sign and a standard of care that must be met by any Canadian health care organization providing cancer services that seeks to be accredited. Over the past few years, cancer centers around the world have been exploring optimum ways to implement and evaluate distress screening initiatives. This paper presents three approaches to distress screening implementation: (1) a model that incorporates the importance of shared values, perceived benefits, and relevant outcomes in the implementation of distress management protocols; (2) a Canadian knowledge translation application to distress screening, including triage considerations and interventions; and (3) a novel approach to distress management via the use of a mobile application to manage post-traumatic stress symptoms. In closing, future opportunities and challenges associated with the emergence of technology will be discussed.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».