An evaluation of oncofertility decision support resources among breast cancer patients and health care providers
Notice bibliographique
Résumé
BACKGROUND: Cancer patients of reproductive age are at risk of infertility as a result of their treatment. Oncofertility decision support resources can assist patients with fertility decision-making before treatment yet available oncofertility resources contain varying levels of detail and different fertility options. The key information/sections needed in oncofertility resources remain unclear. To explore the information needs for oncofertility decision-making before cancer treatment, we aimed to evaluate existing oncofertility decision support resources with breast cancer patients and providers. METHODS: We conducted 30 to 90-min interviews that included a survey questionnaire and open-ended questions with patients and providers between March and June 2016. Interviews were transcribed verbatim. Analysis involved descriptive statistics for survey responses and thematic analysis of qualitative data. RESULTS: A total of 16 participants completed interviews. Key information perceived by most participants as necessary for fertility decision-making included tailored post-treatment pregnancy rates, cost ranges and financial assistance for the fertility options based on patients' situation. However, patient and provider participants expressed differing opinions on the inclusion of all before and after treatment fertility options and the amount of fertility information required at diagnosis. CONCLUSION: The evaluation identified fertility information needs among patients in addition to providers' views on patient needs. While existing oncofertility resources contain information perceived as necessary for decision-making there is an opportunity to use these findings to create or enhance resources to better meet the needs of patients. Additionally, patients and providers differing views on information needs highlight the opportunity for provider training to ensure better communication using resources in clinic to understand specific patient needs.
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 | 0,040 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».