Consortium Building for Nurse Scientists Interested in Symptoms Research in the Era of Precision Health
Notice bibliographique
Résumé
PURPOSE: This article aims to provide perspectives on the establishment of a consortium for nurse scientists with similar career trajectories interested in cancer-related symptoms (CRS) research. Hereby, we describe the development of and recent outcomes from the CRS consortium, the lessons learned in establishing the consortium, and future directions to advance the science of CRS. MODEL AND METHODS: New and innovative strategies are needed to address the complexity of CRS research. A CRS consortium was created to allow a mechanism for oncology nurse scientists with varying expertise to collaborate to advance CRS research. The National Institutes of Health (NIH) Symptom Science Model (SSM) guides the research of the CRS Consortium. DISCUSSION AND CONCLUSIONS: A need for improved CRS assessment and management has been identified. The CRS consortium was created as a collaborative think tank to begin to address this need. Guided by the NIH SSM, CRS consortium members have worked to define symptom phenotypes, enhance understanding of the biologic mechanisms that can contribute to symptom phenotypes, and develop tailored interventions to improve symptom management. Dissemination of the CRS consortium efforts involve publications and presentations. CLINICAL IMPLICATIONS: Nurse scientists interested in symptom science and biobehavorial research face many challenges on how to initiate and sustain independent programs of research. Through the formation of a CRS consortium, oncology nurse scientists can work together to address identified issues in symptom measurement and management.
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 | 0,136 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,019 | 0,010 |
| Communication savante | 0,016 | 0,016 |
| Science ouverte | 0,006 | 0,052 |
| Intégrité de la recherche | 0,008 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,004 |
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 ».