Challenges associated with the integration of immuno-oncology agents in clinical practice
Notice bibliographique
Résumé
BACKGROUND: The availability of new immuno-oncology therapeutics markedly impacts oncology clinicians' treatment decision-making. To effectively support healthcare professionals (HCPs) in their practice, it is important to better understand the challenges and barriers that can accompany the introduction of these agents. This study aimed to establish the types and causes of clinical challenges posed by the introduction of new immuno-oncology agents. METHODS: The mixed-methods design included qualitative in-depth interviews and group discussions with HCPs, in which participants discussed clinical challenges and potential underlying reasons for these challenges. Qualitative findings informed a quantitative survey. This survey investigated the extent and distribution of challenges using HCPs' self-rating of knowledge, skill, confidence, and exposure to system-level effects. These two phases were conducted sequentially with distinctly stratified samples of oncologists, nurse practitioners (NPs), physician assistants (PAs), pathologists, clinical pharmacists, interventional radiologists, rheumatologists, pulmonologists, and emergency department physicians. Participants were from the United States and had various levels of clinical experience and represented both academic and community-based settings. RESULTS: The final sample included 107 HCPs in the qualitative phase and 554 in the quantitative phase. Analyses revealed clinical challenges related to the use of pharmacodiagnostics. For example, 47% of pathologists and 42% of oncologists reported skill gaps in identifying the appropriate marker and 46% of oncologists, 61% of PAs, 66% of NPs, 74% of pulmonologists and 81% of clinical pharmacists reported skill gaps in selecting treatment based on test results. Challenges also emerged regarding the integration of immuno-oncology agents, as oncologists, rheumatologists, pulmonologists, clinical pharmacists, PAs, and NPs reported knowledge gaps (74-81%) of the safety profiles of recently approved agents. In addition, 90% of clinical pharmacists reported skill gaps weighing the risks and benefits of treating patients with immuno-oncology agents while affected by lupus. Finally, patient communication challenges were identified: HCPs reported difficulties discussing essential aspects of immunotherapy to patients as well as how they might compare to other types of therapies. CONCLUSION: The challenges highlighted in this study reveal substantial educational gaps related to the integration of immuno-oncology agents into practice for various groups of HCPs. These findings provide a strong base of evidence for future educational initiatives.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,074 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».