Implementation of the Distress Assessment and Response Tool at the Kuwait Cancer Control Centre
Notice bibliographique
Résumé
Abstract Background: This report describes the implementation of a comprehensive distress screening program at the Kuwait Cancer Control Center (KCCC), the first such initiative in the Middle East. A Kuwait-adapted version of the Distress Assessment and Response Tool (K-DART) was used in this screening program. Methods: Paper-based K-DART surveys were piloted in the lymphoma clinic at KCCC in July 2013, followed by gradual hospital-wide expansion. K-DART included patient-reported outcome measures to assess cancer-related physical and emotional symptoms and practical problems. English and Arabic translations of these measures were used. Trained nurses administered K-DART and followed up with the oncologist for patients with moderate-to-high levels of distress. Descriptive data are reported for prevalence of distress, psychosocial oncology program (PSOP) referral rates, and patient and staff satisfaction with K-DART. Results: A total of 1,153 K-DART surveys were completed by 618 patients in the pilot lymphoma clinic, with screening rates increasing from 33.5% to 75.3% over the first 12 months of implementation. Among all K-DART completers, 85/618 (13.8%) were referred to PSOP, whereas only 1/955 (0.1%) of K-DART noncompleters were referred to PSOP. After hospital-wide expansion of screening, a total of 2,017 patients completed K-DART in the first year of implementation. Both patients and physicians reported high satisfaction with K-DART, which was reported to enhance patient–physician communication and improve clinical care. Conclusion: Implementation of K-DART in a Middle Eastern country is feasible and facilitates a more comprehensive approach to cancer care, contributing to the successful establishment of a PSOP at the KCCC.
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 | 0,007 | 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 | 0,001 | 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) | 0,001 | 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 ».