MétaCan
Menu
Retour à la cohorte
Enregistrement W3201169911 · doi:10.1200/jco.2020.39.28_suppl.21

Implementation and impact of Choosing Wisely recommendations in oncology: A scoping review.

2021· article· en· W3201169911 sur OpenAlexaff
Sonieya Nagarajah, Melanie Powis, Rouhi Fazelzad, Monika K. Krzyzanowska, Vishal Kukreti

Notice bibliographique

RevueJournal of Clinical Oncology · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare cost, quality, practices
Établissements canadiensUniversity Health NetworkPrincess Margaret Cancer CentreUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineConcordancePsychological interventionMEDLINEFamily medicineScopusOncologyInternal medicineNursing

Résumé

récupéré en direct d'OpenAlex

21 Background: The Choosing Wisely (CW) campaign launched in 2012 includes oncology-related recommendations (CWR) aimed at promoting evidence-based care and de-implementing low value practices; however, it remains unclear to what extent practice has changed as a result of the campaign. We undertook a scoping review to evaluate the extent of CWR uptake in oncology, and barriers and facilitators to implementation. Methods: A systematic search of MEDLINE, EMBASE, Cochrane, Emcare Nursing and Scopus was conducted for articles published between 2012 and March 6, 2020 pertaining to cancer-specific CWR. Articles were excluded if they did not report on cancer-specific recommendations, were commentaries/opinions, reported on screening or prevention, focused on pediatric populations, or were not in English. Retained articles were thematically grouped based on study objective. Implementation strategies, barriers and facilitators were summarized for articles implementing a recommendation into practice. Results: The search yielded 8565 articles; 98 articles were retained, addressing 32 unique recommendations. Use of active surveillance for low-risk prostate cancer (14/98) and reduction of imaging in early breast cancer (13/98) were the most commonly evaluated CWR. Of the 29 articles reporting on pre-post CW campaign adherence, 20 reported improved compliance without further intervention. In articles evaluating factors associated with CWR-concordance (62/98), age (23/62), stage or risk (22/62), and geographic location (21/62) most commonly influenced care decisions. Few articles described the development of interventions to improve concordance (1/98) or a protocol to evaluate implementation (2/98) with no further testing of their design. Of the 10/98 articles that evaluated implementation of a CWR, all reported improved compliance (range: 3-73% improvement). Implementation strategies were used in combination and most often included provider education (8/10), stakeholder engagement (6/10), and forced function (4/10). Preconceived views and reluctance to adopt new practices were the most commonly reported barriers to implementation; the use of technology to update practice and the use of education and evidence to build provider buy-in were the most common facilitators. Conclusions: In the eight years since the initial publication of oncology-specific CW recommendations, uptake has been limited. Publication of the recommendations has resulted in some passive improvements in care. Further adoption of CWR likely requires an implementation strategy that includes building stakeholder buy-in, and utilization of updated order sets and forced functions in technology to facilitate change. Future studies should assess the impact of the COVID-19 pandemic on the adoption of CWR and the de-implementation of low-value care.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,054
score de la tête « metaresearch » (Gemma)0,179
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,284

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0540,179
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0060,007
Bibliométrie0,0140,017
Études des sciences et des technologies0,0010,001
Communication savante0,0060,005
Science ouverte0,0030,003
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,893
Tête enseignante GPT0,797
Écart entre enseignants0,096 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetHealthcare cost, quality, practicesTravaux en français237 207