The Usefulness of Patient-Reported Outcomes and the Influence on Palliative Oncology Patients and Health Services
Notice bibliographique
Résumé
BACKGROUND: Through the British Columbia, Prospective Outcomes and Support Initiative (POSI), registered nurses collect patient-reported outcome (PRO) data during telephone follow-up with palliative oncology patients. OBJECTIVE: The research objective was to describe the usefulness and influence of the nursing care provided through POSI follow-up on palliative patients and health services. METHODS: We used a qualitative interpretive description approach involving the collection and analysis of semistructured interview data with 20 palliative patients and 12 oncology nurses. All participant data were subjected to an inductively derived coding framework. Analytic categories were identified and iteratively revised through constant comparative techniques to develop representative themes. RESULTS: The accounts of patients and nurses suggest that telephone follow-up with PROs enabled the nurses to (1) focus on the priorities of patients experiencing complex health challenges, (2) manage complex symptoms, (3) ease the patient's transition home, and (4) improve access to and use of health services. Suggestions for improving POSI nurse follow-up centered on flexibility in the timing of the follow-up, creating dedicated POSI work assignments, and having additional time to personalize assessments and nursing care beyond the PRO questionnaires. CONCLUSIONS: Nursing care employing PROs via telephone follow-up can improve palliative cancer patients' quality of life and health service use. IMPLICATIONS FOR PRACTICE: Nurses are optimally positioned to use PROs following cancer treatment completion but require organizational resources and support to optimize patient and system outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».