<p>Evaluating A Multidisciplinary Cancer Conference Checklist: Practice Versus Perceptions</p>
Notice bibliographique
Résumé
BACKGROUND: Presentation to multidisciplinary cancer conferences (MCCs) supports optimal treatment of young women with breast cancer (YWBC). However, research shows barriers to MCC practice, and variation in professional attendance and referral patterns. A checklist may help overcome these barriers and support MCC practice with YWBC. METHODS: We developed, piloted and evaluated an MCC checklist in sites participating in a pan-Canadian study (RUBY; Reducing the bUrden of Breast cancer in Young women). A survey assessed checklist processes and impacts, and checklist data were analysed for checklist uptake, MCC presentation rates and MCC processes including staff attendance. RESULTS: Fifteen RUBY sites used the checklist (~50%), mostly for data collection/tracking. Some positive effects on clinical practice such as increased presentation of YWBC at MCC were reported, but most survey participants indicated that MCC processes were sufficient without the checklist. Conversely, checklist data show that only 31% of patients were presented at MCC. Of those, 41% were recommended treatment change. CONCLUSION: Despite limited checklist uptake, there was evidence of its clinical practice benefit. Furthermore, it supported data collection/quality monitoring. Critically, checklist data showed gaps in MCC practice and low MCC presentation rates for YWBC. This contrasts with overall provider perceptions that MCCs are working well. Findings suggest that supports for MCC are needed but may best take the form of clear national practice recommendations and audit and feedback cycles to inform awareness of good MCC practice and outcomes. In this setting, tools like the MCC checklist may become helpful in supporting MCC 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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».