Comparing chair time required for systemic agent drug reaction (DR) management to allocated chair time for systemic protocol.
Notice bibliographique
Résumé
40 Background: Chemotherapy scheduling and determining associated nursing resources are complex multiobjective decision problems. Management of DRs are thought to take additional chair and nurse time and should be accounted for in appointment scheduling in order to having an efficiently running clinic. BC Cancer – Victoria is a tertiary care regional site of BC Cancer in Victoria, British Columbia, Canada and currently schedules patients using a regimen-based resource intensity model (Greene et al, 2012). Methods: DRs were tracked in real time over 3 months, where BC Cancer ID, reaction, protocol, agent, cycle number and time of reaction were recorded. Our electronic medical record was interrogated to determine start and end of chair time. We then compared the actual chair time required to manage patients with a DR to scheduled chair time. Results: Thirty reactions occurred, including DRs to paclitaxel (43%), rituximab (13%), docetaxel (10%), nivolumab (7%), oxaliplatin (7%), pertuzumab (7%), bendmustine (3%), and daratumumab (3%). The reactions most commonly occurred with cycles 1 or 2. The averages for total chair time during DR, time from arrival to reaction, and time from reaction to discharge were 281 min (+79.5), 106 min (+ 55), and 171 min (+ 94), respectively. An average of 449 min/month extra were required for DR management above scheduled chair time. Conclusions: The agents precipitating DRs were common and predictable. An average of 7 hours and 29 minutes per month above scheduled chair time was required to manage DRs. This information could be used to more efficiently schedule chair and nursing time. This also highlights the need to minimize the number of DRs as management is resource intensive.[Table: see text]
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 | 0,045 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».