Integration of a nausea and vomiting assessment tool into antineoplastic management of pediatric oncology patients
Notice bibliographique
Résumé
Background Antineoplastic-induced nausea and vomiting (AINV) is a treatment-related issue that can have significant negative influences on the cancer patient’s quality of life. Assessment of nausea is challenging in children as few studies include the perception of nausea as an outcome, and the severity is rarely evaluated with the use of a validated instrument. We describe our experience of integrating an AINV tool into patient care at the Alberta Children’s Hospital. Procedure: The Pediatric Nausea Assessment Tool (PeNAT) was adapted to create a standardized tool that could be used by the clinical pharmacists for AINV assessment. From February to August 2017, 74 patients receiving 217 cycles of highly or moderately emetogenic chemotherapy (HEC or MEC) were eligible to use the AINV tool. Patients that completed the AINV tool were contacted to complete a satisfaction survey. Results AINV tool uptake was low: 47 (22%) eligible chemotherapy cycles utilized the tool (24 (32%) and 23 (16%) cycles of HEC and MEC, respectively, ( p < 0.01)). Ifosfamide-containing cycles received the highest nausea ratings, with nausea severity correlated with agent emetogenicity. Mean nausea rating was 2.07 versus 1.76 for patients receiving HEC or MEC, respectively. Clinical pharmacists performed 1.24 AINV interventions per day. Patient satisfaction with AINV care overall was high; however, 51% of patients indicated that the tool led to no changes in nausea symptoms. Conclusions AINV tool uptake was low with limited value in improving outcomes. Incorporation of nausea assessment into the electronic health record and potential use of a mobile application may improve uptake.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».