Real-World Approaches to Quality Improvement in Oncology
Notice bibliographique
Résumé
Oncologists face increasing complexity in the delivery of high-quality cancer care.Challenges arise from the simultaneous rapid expansion of the armamentarium of anticancer treatments with substantive changes in payment delivery that emphasize value.We increasingly appreciate the role of the oncologist to improve care across the cancer continuum, from prevention through survivorship and end-of-life care.Also, with a focus on patient centeredness, shared decision making, and quality of life, we appreciate the role of the oncologist as broader than selection and delivery of treatment.Such pressures require oncologists to remain continuously apprised of best practices and evidence, to regularly engage with data to identify care gaps that do not align with recommendations, and then to adeptly apply quality improvement skillsto evolve processes and drive behavior change.As we recognize that possibilities and standards in cancer care are quickly evolving, we appreciate that high-quality care is not a destination but an iterative journey.Conversely, the broad shifts in care themselves challenge oncologists to be practical in affecting change.Doing more with less is the frequent modus operandi, and time is consistently the most valuable commodity.For example, one study of Canadian oncologists 1 in Journal of Oncology Practice found that, although the vast majority of oncologists (97%) believe quality improvement is important, less than half (49%) participated in a quality improvement project in the past 5 years.Time constraints were frequently cited as
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 | 0,017 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».