Improving symptom control and reducing toxicities for pediatric patients with hematological malignancies
Notice bibliographique
Résumé
The continuing improvement in pediatric cancer survival over time is largely attributable to the availability of intensive therapies. Increasing attention has been focused on addressing the physical and psychosocial impacts of cancer and cancer treatments. Evidence from adult oncology suggests that routine symptom screening and feedback to health care providers can improve patient-clinician communication, reduce distress, and improve quality of life and may even increase survival. Many questions remain regarding implementation of routine symptom screening in pediatric cancer care, including the best symptom assessment instrument and the reporter type and feasibility of integration with electronic health records (EHRs). Nonsymptom adverse events are also important, for both routine clinical care and adverse event reporting for patients enrolled in clinical trials. However, traditional mechanisms for reporting adverse events lead to substantial inaccuracies and are labor intensive. An automated approach for abstraction from EHRs is a potential mechanism for improving accuracy and reducing workload. Finally, identification of symptom and nonsymptom toxicities must be paired with prophylactic and therapeutic strategies. These strategies should be based on clinical practice guidelines that synthesize evidence and use multiprofessional, multidisciplinary expertise to place this evidence in clinical context and create recommendations. How best to implement clinical practice guidelines remains a challenge, but EHR order sets and alerts may be useful. In summary, although survival is excellent for pediatric patients receiving cancer therapies, more focus is needed on identification of symptoms and nonsymptom toxicities and their management. The EHR may be useful for promoting better supportive care through these mechanisms.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 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 | 0,001 | 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 ».