Evolving Best Practice for Take-Home Cancer Drugs
Notice bibliographique
Résumé
PURPOSE: Take-home cancer drugs (THCDs) have become a standard treatment of many cancers. Robust guidelines have been developed for intravenous chemotherapy drugs, but few exist for THCDs with a focus on decentralized models. Hence, Ontario Health (Cancer Care Ontario) established the Oncology Pharmacy Task Force (OPTF) to develop consensus-based recommendations on best practices for THCDs to ensure that patients receive safe, consistent, high-quality care in the community once they leave the cancer center/practice with a prescription. METHODS: The OPTF included 34 members with comprehensive representation. Guidance from leading authorities was extracted through literature review, thematically analyzed, and synthesized to develop 29 recommendations. The consensus process (> 70% agreement) included a three-step modified Delphi method followed by an extensive review process. RESULTS: Sixteen recommendations were developed: training and education for providers (2), drug access (1), prescribing (4), patient and family/caregiver education (3), communication (1), dispensing (3), monitoring for patient adherence and adverse effects (1), and incident reporting (1). CONCLUSION: Through a rigorous methodology, the OPTF derived a robust set of recommendations similar to the ASCO/Oncology Nursing Society and ASCO/National Community Oncology Dispensing Association guidelines, further validating and strengthening the applicability across multiple jurisdictions, including those with decentralized models. Unique aspects in a decentralized model include the need for two pharmacy professionals, with one doing cognitive verification of the script and the other dispensing the medication; moreover, they optimize interprofessional communication between community providers and the cancer center/practice health care team.
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 | 0,001 | 0,013 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».