Evaluation and clinical impact of a pharmacist-led, interdisciplinary service focusing on education, monitoring and toxicity management of immune checkpoint inhibitors
Notice bibliographique
Résumé
Introduction Immune-related adverse events are complications of immune checkpoint inhibitors which require robust patient education and proactive follow-up to ensure timely identification and management. Oncology pharmacist practice models with other anticancer modalities have been well documented, but there is limited evidence assessing the spectrum of pharmacist interventions in patients receiving immune checkpoint inhibitor(s) and the impact of these interventions on patient outcomes. Methods Patients initiated on immune checkpoint inhibitor(s) from 1 January 2016 to 31 August 2019 were included for data collection and analysis. Part 1 featured an intensive pharmacist follow-up cohort (study cohort) and summarized pharmacist interventions. Part 2 compared patient outcomes between the study cohort and a standard of care cohort (control cohort) from a different oncology centre. Patient outcomes included emergency department visits not resulting in admission, hospitalizations due to immune-related adverse event(s), immune checkpoint inhibitor cycles received, treatment discontinuation due to immune-related adverse event(s), completion of finite programmed death-1/death-1 ligand treatment course and completion of ipilimumab. Clinical outcomes were compared using a retrospective, matched cohort design based on age, cancer diagnosis and immune checkpoint inhibitor(s). Results A total of 143 patients were included in Part 1 encompassing 1664 pharmacist recommendations across 11 categories. The matched cohort yielded 92 matches (n = 184) with a higher odds of immune checkpoint inhibitor discontinuation due to immune-related adverse event(s) in the control cohort (odds ratio (OR) (95% confidence interval (CI)) = 5.5 (1.2−24.8); p = 0.022). Conclusion Intensive immune-related adverse event education, proactive follow-up and immune-related adverse event management by pharmacists result in clinically meaningful interventions which correlate to improved patient outcomes, namely lower odds of treatment discontinuation due to immune-related adverse event(s).
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 | 0,006 | 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 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 ».