Opportunity is the Greatest Barrier to Providing Palliative Care to Advanced Colorectal Cancer Patients: A Survey of Oncology Clinicians
Notice bibliographique
Résumé
Palliative care (pc) is part of the recommended standard of care for patients with advanced cancer. Nevertheless, delivery of pc is inconsistent. Patients who could benefit from pc services are often referred late-or not at all. In planning for improvements to oncology pc practice in our health care system, we sought to identify barriers to the provision of earlier pc, as perceived by health care providers managing patients with metastatic colorectal cancer (mcrc). We used the Michie Theoretical Domains Framework (tdf) and Behaviour Change Wheel (bcw), together with knowledge of previously identified barriers, to develop a 31-question survey. The survey was distributed by e-mail to mcrc health care providers, including physicians, nurses, and allied staff. Responses were obtained from 57 providers (40% response rate). The most frequently cited barriers were opportunity-related-specifically, lack of time, of clinic space for consultations, and of access to specialist pc staff or services. Qualitative responses revealed that resource limitations varied by cancer centre location. In urban centres, time and space were key barriers. In rural areas, access to specialist pc was the main limiter. Self-perceived capability to manage pc needs was a barrier for 40% of physicians and 30% of nurses. Motivation was the greatest facilitator, with 89% of clinicians perceiving that patients benefit from pc. Based on the Michie tdf and bcw model, interventions that best address the identified barriers are enablement and environmental restructuring. Those findings are informing the development of an intervention plan to improve oncology pc practices in a publicly funded health care system.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».