A Survey of Licensed Massage Therapists’ Perceptions of Skin Cancer Prevention and Detection Activities
Notice bibliographique
Résumé
BACKGROUND: Skin cancer is the most common cancer in the US. Training massage therapists (MTs) in skin cancer prevention and detection creates opportunity for reducing skin cancer burden. Little is known about MTs' perceptions of skin cancer prevention and detection, their discussions of these topics with clients, or their referral recommendations for suspicious skin lesions. PURPOSE: We surveyed MTs' perceptions of their role in engaging in conversations about skin cancer prevention, viewing the skin for suspicious lesions, and referring clients with such lesions to health care providers. SETTING PARTICIPANTS RESEARCH DESIGN: We administered an online survey from 2015-2017 of licensed MTs practicing in the US and at least age 21 years (n = 102); quantitative and qualitative data were analyzed in 2017. MAIN OUTCOME MEASURES: The main variables assessed were MTs perceptions of (a) appropriateness for asking clients about skin cancer history, skin cancer prevention, suspicious lesion referral and follow-up; and (b) comfort with recognizing and discussing suspicious lesions, recommending a client see a doctor for suspicious lesion, and discussing skin cancer prevention. RESULTS: Quantitative data revealed that most MTs were amenable to discussing skin cancer prevention during appointments; few were engaging in these conversations. MTs were more comfortable discussing suspicious lesions and recommending that a client see a doctor than they were sharing knowledge about skin cancer and sun safety. Categories based on qualitative content analysis were: sharing information for the client's benefit, and concerns about remaining within scope of practice. CONCLUSIONS: MTs have boundaries for skin cancer risk-reduction content to include in a client discussion and remain in their scope of practice. These findings will help support a future educational intervention for MTs to learn about and incorporate skin cancer risk-reduction messages and activities into their practice.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».