RELIEF: A Digital Health Tool for the Remote Self-Reporting of Symptoms in Patients with Cancer to Address Palliative Care Needs and Minimize Emergency Department Visits
Notice bibliographique
Résumé
The lack of timely symptom reporting remains a barrier to effective symptom management and comfort for patients with cancer-related palliative care needs. Poor symptom management at home can lead to unwanted outcomes, such as emergency department visits and death in hospital. We developed and evaluated RELIEF, a remote symptom self-reporting app for community patients with palliative care needs. A pilot feasibility study was conducted at a large, community hospital in Ontario, Canada. Patients self-reported their symptoms each morning using validated clinical symptom measures and RELIEF would alert for worsening or severe symptoms. RELIEF alerts were monitored by palliative care nurses who would then contact patients to determine if appropriate clinical intervention could be initiated to avoid unnecessary emergency department visits. A total of 20 patients were recruited to use RELIEF for two months. Patients completed 80% of daily self-report assessments; 133 alerts were trigged, half of which required clinical intervention. No patient visited the emergency department for symptom management during the study. Clinical staff estimated five emergency department visits were avoided because of RELIEF-saving an estimated cost of over CAD 60,000. RELIEF is a feasible and acceptable method for the remote monitoring of patients with palliative care needs through regular symptom self-reporting.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».