MétaCan
Menu
← Retour à la cohorte
Enregistrement W4281690555 · doi:10.1200/jco.2022.40.16_suppl.1520

Improving supportive care for patients with thoracic cancer.

2022· article· en· W4281690555 sur OpenAlexaboutno aff
Lakedia Charman Banks, Kris Kapphahn, Millie Das, Debra Wujcik, Carrie Tompkins Stricker, Lucinda Shanbhag, Stephanie Lin, Ge Zhu, Manali I. Patel

Notice bibliographique

RevueJournal of Clinical Oncology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer survivorship and care
Établissements canadiensnon disponible
Organismes subventionnairesNational Institutes of Health
Mots-clésMedicinePsychosocialVeterans AffairsQuality of life (healthcare)Randomized controlled trialIntervention (counseling)CancerPhysical therapyFamily medicinePsychiatryNursingSurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

1520 Background: Improving lung cancer care among Veterans is a priority within the Veterans Affairs due to higher rates of lung cancer incidence, morbidity, and mortality among Veterans compared to non-veterans. Unaddressed symptom burden is common due to many factors including complex comorbidities, psychosocial challenges, smoking history and limited social support networks. Additionally, complications from social determinants of health can obstruct successful discussions of symptom-burden between Veterans and their clinical care teams which can limit compliance with recommended symptom management strategies. To overcome these barriers, we conducted a randomized controlled trial to test the effectiveness of a lay volunteer-led proactive symptom assessment and symptom intervention. The objective was to determine if the intervention improved clinician documentation from baseline to 6-months post-enrollment compared to usual care. Secondary outcomes included change in patient activation, health-related quality of life (HrQOL), and symptom-burden. Methods: Patients were randomized into the lay volunteer proactive symptom assessment intervention plus usual cancer care (intervention group) or usual cancer care alone (control group). We conducted electronic health record review to assess primary cancer-clinician symptom documentation of Veterans’ symptoms identified as moderate-to-severe at baseline and 6-months using the Edmonton Symptom Assessment Scale. Patient surveys with validated assessments were used to assess patient activation, HrQOL and symptom burden at baseline (time of enrollment) and 6-months post-enrollment. We used regression models to evaluate differences in our primary and secondary outcomes. Results: 60 Veterans were consented and randomized into the study (29 control; 31 intervention). There were no differences in demographic or clinical factors across groups. The median age was 70 years (range 56-85), 95% were male, 70% identified their race as White, 53% were married and 48% had a 2-year or 4-year college degree. The majority had at least 3 comorbidities (54%), diagnosed with stage 3 or 4 (62%) and received systemic treatment with chemotherapy and/or radiation (77%). At 6-months post-enrollment as compared to baseline, the intervention group had greater improvements in symptom documentation (56% from 12.5% vs. 29% from 43%, p = 0.01), greater improvements in patient activation (p<0.001), HrQOL (<0.001), and lower symptom burden (p<0.001) than the control group. Conclusions: Integration of proactive symptom assessment by lay volunteers has a significant and meaningful effect on symptom documentation, patient activation, quality of life, and reducing symptom burden among Veterans with lung cancer. Clinical trial information: NCT03216109.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0150,001

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,472
Écart entre enseignants0,404 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetCancer survivorship and care→Travaux en français237 207→