Using patient reported outcomes (PROs) to hear the patient: Are we listening?
Notice bibliographique
Résumé
e22134 Background: PROs may improve patient centered care by identifying the type and amount of care required. We aimed to examine PROs in a large Canadian province to identify symptoms and needs, and their subsequent management. Methods: A population-based cross-sectional study using administrative data. PROs collected at diagnosis between December 2016 to October 2017 included symptoms, supportive care needs from the Canadian Problem Checklist, demographic and tumor characteristics, and patient management (reported by the clinician). Patients were categorized into six cancer types: breast (Br), lung (L), prostate (Pr), colorectal (CRC), hematological (H), and other (Ot). Multiple linear regression was used to examine predictors of needs. Results: We evaluated 1295 patients. Median age 66 (range19-97) years and 51% men. There were 179 (14%) Br, 394 (30%) L, 83 (6%) Pr, 122 (9%) CRC, 182 (14%) H and 335 (25%) Ot cancers. Pain, tiredness, anxiety and low appetite were the most prevalent moderate to severe symptoms. 66% of patients had at least one need. The most frequent emotional needs were fear and worries. Finances were the highest practical need while strength, sleep, mobility and weight loss were the most common physical need. Information needs were about illness or treatment (Table). Predictors of having higher needs included Br cancer (p.024), higher emotional or physical symptom burden (p < .001), and attending an urban cancer center (p < .001). Health care providers most often provided information (62%), emotional support (43%) and prescriptions (14%) to address PROs, while referrals rates to multidisciplinary providers were low (Table). Conclusions: Many patients reported at least one need and had some moderate to severe symptoms. PROs were addressed mostly with information and emotional support. More understanding of barriers to referral may enhance integration of PROs into routine clinical practice. Need % Referral % Referred Fears and Worries 32 Psychology 2 Finances 13 Social Work 11 Strength 20 Physiotherapy 4 Sleep 20 No service Mobility 20 Physiotherapy 4 Weight loss 22 Dietician 7 Information 27 Information 62 Symptom % score ≤ 4 Pain 40 Pain Clinic 0.8 Tiredness 64 Fatigue Clinic 0.3 Appetite 43 Dietician 7 Anxiety 44 Psychology 2
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 | 0,010 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,006 | 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 ».