Identifying Geriatric Oncology Competencies for Medical Oncology Trainees: A Modified Delphi Consensus Study
Notice bibliographique
Résumé
BACKGROUND: Most oncology trainees are not taught about the needs of older patients, who make up the majority of patients with cancer. Training of health care providers is critical to improve the care of older adults with cancer. There is no consensus about which geriatric oncology (GO) competencies are important for medical oncology trainees. Our objective was to identify GO competencies medical oncology trainees should acquire during training. MATERIALS AND METHODS: A modified Delphi consensus of experts in oncology medical education and GO was conducted. Experts categorized at what training stage proposed competencies should be attained: internal medicine, oncology, or GO training. Consensus was obtained if two thirds of experts agreed on the training stage at which the competency should be attained. RESULTS: A total of 78 potential competencies were identified, of which 35 (44.9%) proposed competencies were felt to be appropriate to be acquired during oncology training. The majority of the identified competencies pertained to prescribing of systemic therapy (n = 12) and psychosocial and supportive care (n = 13). No competencies related to geriatric assessment were identified for acquisition during oncology training. CONCLUSION: Experts in oncology education and geriatric oncology agreed upon a set of GO competencies appropriate for oncology trainees. These results provide the foundation for developing a GO curriculum for medical oncology trainees and will hopefully lead to better care of older adults with cancer. IMPLICATIONS FOR PRACTICE: The aging population will drive the projected rise in cancer incidence. Although aging patients make up the majority of patients diagnosed with cancer, oncologists rarely receive training on how to care for them. Training of health care providers is critical to improving the care of older adults with cancer. The results of this study will help form the foundation of developing a geriatric oncology curriculum for medical oncology trainees.
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 | 0,109 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».