MétaCan
Menu
Retour à la cohorte
Enregistrement W4308396193 · doi:10.1136/jitc-2022-sitc2022.0936

936 Assessing educational needs for immune-related adverse events curriculum in clinical practice

2022· article· en· W4308396193 sur OpenAlexaboutno aff
Gong He, Austin Wesevich, Pankti Reid

Notice bibliographique

RevueRegular and Young Investigator Award Abstracts · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer Immunotherapy and Biomarkers
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineAdverse effectInternal medicineMEDLINECurriculumFamily medicineOncologyPsychology

Résumé

récupéré en direct d'OpenAlex

<h3>Background</h3> Immune checkpoint inhibitors (ICIs) are increasingly used to treat cancer but can lead to immune-related adverse events (irAEs) such as hepatitis, pneumonitis, or thyroiditis. While ICIs and irAEs are typically managed in an outpatient setting by oncologists, 11% of patients receiving ICIs require hospital admission for irAEs.<sup>1</sup> While rheumatologists’ irAE management knowledge and skills have been assessed in prior studies,<sup>2</sup> clinicians within oncology and hospital medicine have been understudied despite their relevance to the care of patients with irAEs. <h3>Methods</h3> In June and July 2022, we administered a web-based survey to University of Chicago (UChicago)-affiliated oncology providers: oncology fellows and attendings, oncology nurse practitioners (NPs) and physician assistants (PAs). We also surveyed UChicago hospitalists and medicine residents and community oncologists practicing in Chicago. We assessed current knowledge, prior experience, provider confidence, and current educational resource utilization regarding irAE diagnosis and management. We also surveyed how receptive our participants would be to future educational resources dedicated to irAE evaluation and therapy. Linear regression and logistic regression were utilized to analyze relationships between different variables. <h3>Results</h3> In total, we had a 37% response rate (171/467): highest for UChicago-affiliated oncology providers (55-59%) (table 1). Oncology attendings and fellows scored the highest on knowledge-based questions (67-68%). Higher levels of ICI and irAE experience over the past year were associated with higher levels of knowledge (OR 1.5, p&lt;0.002). Confidence levels were also significantly associated with higher knowledge and more ICI and irAE experience (p&lt;0.001). Almost all participants surveyed (93%) were receptive to using an online irAE resource with delineated guidelines, patient handouts, and frequently asked questions regarding irAEs. Oncology fellows and NPs/PAs were also more interested in online CME-accredited irAE sessions dedicated to irAEs than medicine residents and hospitalists (83% versus 65%). <h3>Conclusions</h3> The knowledge gaps across various groups of providers caring for patients with irAEs reflect a significant need to develop an effective didactic program aimed at enhancing knowledge and confidence for irAE evaluation and treatment. Our results support the development of an online curriculum with interactive online modules to provide case-based and simulated experiential didactics that will lead to increased knowledge and confidence in caring for patients with irAEs. <h3>References</h3> Ahern E, Allen M, Schmidt A, Lwin Z, Hughes B. Retrospective analysis of hospital admissions due to immune checkpoint inhibitor-induced immune-related adverse events (irAE). <i>Asia Pac J Clin Oncol</i>. 2021;<b>17</b>:e109–e116. Maltez N, Abdullah A, Fifi-Mah A, Hudson M, Jamal S. Checking in with immune checkpoint inhibitors: Results of a needs assessment survey of Canadian rheumatologists. <i>J Cancer Sci Therap</i>. 2019;<b>2</b>:12

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,752

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
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 ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,339
Écart entre enseignants0,317 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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 revueRegular and Young Investigator Award AbstractsMême sujetCancer Immunotherapy and BiomarkersTravaux en français237 207