Surveillance of Lung Cancer and Mesothelioma Patients With Noncurative Treatment Intent
Notice bibliographique
Résumé
BACKGROUND: Lung cancer patients with advanced disease and no active treatment options currently face frequent follow-up visits to outpatient clinics, associated with significant anxiety, time commitment, and costs. Visits also place considerable strain on the health system. Evidence from other cancers and chronic health conditions suggests virtual or remote follow-up can lead to higher patient satisfaction without negatively impacting health outcomes such as survival time. OBJECTIVE: The aim of this review was to identify patient preferences for, and any evidence of relative effectiveness of, different surveillance protocols for patients who have noncurative treatment intent for lung cancer or mesothelioma. INTERVENTIONS/METHODS: MEDLINE, PubMed, and CINAHL Plus databases were searched for articles published between 1998 and June 2018. The search was restricted to English-language publications and included all original research. RESULTS: Nine studies met the inclusion criteria, with most studies being retrospective. Findings identified the need for reassurance and hope as part of surveillance, the importance of trust and relationship, and the lack of consistency and evidence around frequency and method of surveillance models. CONCLUSIONS: Current surveillance is based on expert opinion with little consideration of patient preferences, quality of life, impact on anxiety, and impact on survival outcomes. IMPLICATIONS FOR PRACTICE: Nurses play a key role in managing surveillance programs for noncurative lung cancer patients. Programs should be built using codesign approaches to ensure best outcomes. Further research needs to be conducted, ensuring directed surveillance models that meet the holistic needs of patients.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».