205 Bridging the Gap: Identifying Barriers to Enable the Integration of Tobacco Cessation Into Cancer Patient Care
Notice bibliographique
Résumé
CARO-ASM 2019 participants (97%) used the Internet, and 87% had searched for thyroid cancer information.The majority (94%) used the search engine Google.Patients most often looked for information about treatment (94%) and symptom management (76%).Patients most often read websites from non-profit organizations (62%), academic or healthcare institutions (48%), or commercial websites (41%).Patients evaluated content quality by comparing several resources (71%), discussing with a physician (56%) or using a credible academic or government site (53%).Online information was somewhat hard to understand for 32% of respondents, but 91% found it useful.More than half (60%) of patients reported that treatment decisions were affected by web resources, and information helped 50% of patients make decisions with their physicians.Respondents highlighted a lack of resources on survivorship and less common tumours such as medullary or anaplastic cancer.Conclusions: This is the first study to examine thyroid cancer patients' Internet use.Clinicians should recognize that patients overwhelmingly access online information that often impacts their treatment decision-making.Many patients do not simply select the first search results, and actively assess website quality.However, there are gaps between what information patients seek, and what they find.Clinicians can play a key role in guiding thyroid cancer patients through the abundance of web-based information and assisting them in interpretation.Educators can also use this information to guide resource development, tailoring content and design to thyroid cancer patients' 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 | 0,022 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».