Estrategia educativa en población geriátrica con diagnóstico oncológico del Policlínico “Dr. Mario Muñoz Monroy”
Notice bibliographique
Résumé
Introduction: In Cuba there is a marked increase in the population over 60 years old, while cancer is the leading cause of death in this age group, representing 73% of all deaths from this disease. Objective: Design an educational strategy addressed to caregivers and elderly patients with oncological diagnosis from Dr. Mario Munoz Monroy Polyclinic of Guanabo. Methods: A prospective and longitudinal study was designed with the application of a questionnaire to patients and caregivers of the elderly population diagnosed with neoplasia, belonging to the health area Guanabo, Habana del Este municipality, Havana province. An educational strategy was developed and it was validated during the first and last quarters of 2018. Results: Most of the patients were aged between 60-69 years, the male gender prevailed and the oncological locations lung, breast and colon encompassed almost half of the patients, 38 patients had more than one year of being diagnosed. Daughters and wives were the most represented caregivers. The onset of pain without relief and feeding were the biggest concerns for patients and caregivers. An educational strategy was designed and applied with talks, newsletters and consultations, which when evaluating its impact turned out to be 82.7% and 90.5% in the first quarter and the last quarter of 2018, respectively. Conclusions: The designed educational strategy managed to expand the knowledge of caregivers and patients on the appropriate way to administer food and medicines, their adverse effects and their management, and care at home. In addition, its validity over time could be demonstrated. Keywords: Educational strategy; cancer; population ageing; caregivers; pharmacists.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».