Looking Back to Move Forward: Lessons Learned from a Successful, Sustainable, Replicable Model of Adolescent and Young Adult Program of a Tertiary Cancer Care Center
Notice bibliographique
Résumé
Background: The Princess Margaret Cancer Centre (PM) established the adolescent and young adult (AYA) oncology program in 2014 to address the unique needs of AYA by delivering targeted, evidence-based care through a multidisciplinary team. Methods: We performed a retrospective analysis of patients who underwent a consultation with the PM AYA program from 2014 to 2020. The association between the health domain concerns reported and age at consultation, cancer diagnoses, and time since diagnosis was analyzed using chi-square test of independence in SPSS. Results: In our cohort of 1128 AYA, the median age at assessment was 28.2 years. The most common diagnoses were lymphoma ( n = 251, 22.2%), leukemia ( n = 207, 18.4%), and breast cancer ( n = 162, 14.4%). The most common concerns reported were related to fertility ( n = 882, 78.2%) and work/school ( n = 472, 41.8%). Fertility concerns were most common in 25–34 age group (443/540, 82.0%) and work-/school-related concerns were highest in 18–24 age group (191/355, 53.8%). Diagnoses significantly affect majority of concerns reported. Fertility concerns were most common in AYA consulted near diagnosis, while body image-, exercise-, and diet-related concerns were more frequently reported, while on active treatments. Conclusions: Supporting fertility concerns remains the cornerstone of any successful AYA program. Work-/school-related concerns deserve more elucidation and attention. We identified important patterns in the health-related concerns of AYA, especially as they relate to age, diagnoses, and time since diagnosis. This insight will guide us for improving patient-centered care delivery to AYA.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».