Virtual Cancer Care During the COVID-19 Pandemic and Beyond: A Call for Evaluation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The interplay of virtual care and cancer care in the context of the COVID-19 pandemic is unique and unprecedented. Patients with cancer are at increased risk of SARS-CoV-2 infection and have worse outcomes than patients with COVID-19 who do not have cancer. Virtual care has been introduced quickly and extemporaneously in cancer treatment centers worldwide to maintain COVID-19-free zones. The outbreak of COVID-19 in a cancer center could have devastating consequences. The virtual care intervention that was first used in our cancer center, as well as many others, was a landline telephone in an office or clinic that connected a clinician with a patient. There is a lack of virtual care evaluation from the perspectives of patients and oncology health care providers. A number of factors for assessing oncology care delivered through a virtual care intervention have been described, including patient rapport, frailty, delicate conversations, team-based care, resident education, patient safety, technical effectiveness, privacy, operational effectiveness, and resource utilization. These factors are organized according to the National Quality Forum framework for the assessment of telehealth in oncology. This includes the following 4 domains of assessing outcomes: experience, access to care, effectiveness, and financial impact or cost. In terms of virtual care and oncology, the pandemic has opened the door to change. The lessons learned during the initial period of the pandemic have given rise to opportunities for the evolution of long-term virtual care. The opportunity to evaluate and improve virtual care should be seized upon.
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.
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 découle