Eat All Through Radiation Therapy (EAT‐RT): Structured therapy model to facilitate continued oral intake through head and neck radiotherapy—User acceptance and content validation
Notice bibliographique
Résumé
BACKGROUND: To develop and examine user acceptance and content validity of a structured program to facilitate safe but challenging oral intake during radiotherapy (RT) delivered by a speech language pathologist (SLP)-the Eat-All Through Radiation Therapy (EAT-RT) program. METHODS: EAT-RT was developed through expert consensus of SLPs at the Princess Margaret Cancer Centre (Canada) and M D Anderson Cancer Center using a conceptual framework of a diet hierarchy and a mealtime routine. EAT-RT was refined by practicing SLPs, and then disseminated for a 4-week clinical pilot at seven sites who were subsequently invited to participate in an online survey. RESULTS: Twelve SLPs from six sites piloted EAT-RT therapy with a median of eight patients (IQR: 2-15) before and/or during RT. All SLPs reported EAT-RT added value to their practice, harmonized well with exercises, and its content was helpful; 11 (92%) reported EAT-RT facilitated patient understanding and indicated the desire to continue using EAT-RT. CONCLUSION: The EAT-RT program was accepted by North American SLPs. The findings support the content and value of EAT-RT to facilitate oral intake in patients with head and neck cancer throughout RT.
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 | 0,013 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».