Nurses’ Experiences Using an Interactive System to Assess and Manage Treatment-Related Symptoms of Patients With Pancreatic Cancer: Interview Study
Notice bibliographique
Résumé
BACKGROUND: Treatment for pancreatic cancer entails symptom distress and a high burden of self-care. Patient-reported outcomes, collected with the support of mobile health (mHealth), have shown positive effects on symptom management, patient satisfaction, and quality of life for patients with cancer. For mHealth tools to become an integral part of clinical routine, experiences from health care professionals are needed. OBJECTIVE: The aim of this paper is to describe nurses' experiences of integrating an interactive system (Interaktor) for symptom assessment and management into daily practice, when caring for patients following pancreaticoduodenectomy and during chemotherapy treatment due to pancreatic cancer. METHODS: Patients reported symptoms via the Interaktor app daily for 6 months. In the event of alarming symptoms, an alert was triggered to the patient's nurse who then called the patient to offer advice and support. All nurses (n=8) who assessed patients were interviewed either individually or in a group. Transcribed interviews were analyzed using qualitative thematic analysis. RESULTS: mHealth can facilitate person-centered care by offering nurses a way to gain knowledge about patients and to build relationships. Further, obstacles to implementation could be seen due to a lack of structural prerequisites and uncertainty about multiple ways to interact with patients. CONCLUSIONS: The Interaktor system can provide person-centered care. However, to implement mHealth tools as a clinical routine, focus needs to be placed on creating the necessary organizational conditions.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».