Integrating Tobacco Use Assessment and Treatment in the Oncology Setting: Quality Improvement Results from the Georgetown Lombardi Smoking Treatment and Recovery Program
Notice bibliographique
Résumé
As part of the NCI's Cancer Center Cessation (C3i) initiative, we initiated, expanded, and maintained an evidence-based tobacco treatment program at the Georgetown Lombardi Comprehensive Cancer Center. We present a quality improvement (QI) assessment of the implementation process and patient-level outcomes. At two hematology/oncology outpatient clinical sites, five oncology-based teams (clinical administrators, clinical staff, pharmacy, information technology, and tobacco treatment staff) developed implementation strategies for opt-out patient assessment and enrollment, centralized tobacco treatment, audit, feedback, and staff training. Among eligible patients (tobacco use in ≤30 days), we assessed demographic, clinical, and tobacco-related characteristics to examine predictors of enrollment (baseline completed), treatment engagement (≥one sessions completed), and self-reported 7-day abstinence (6 months post-enrollment). Across both sites, medical assistants screened 19,344 (82.4%) patients for tobacco use, which identified 1345 (7.0%) current tobacco users, in addition to 213 clinician referrals. Of the 687/1256 (54.7%) eligible patients reached, 301 (43.8%) enrolled, and 199 (29.0%) engaged in treatment, of whom 74.5% were African American and 68% were female. At the larger site, significant multivariate predictors of enrollment included African American race (vs. white/other) and clinician referral (vs. MA assessment). Treatment engagement was predicted by greater nicotine dependence, and abstinence (27.4%) was predicted by greater treatment engagement. In summary, the systematic utilization of multiple oncology-based teams and implementation strategies resulted in the development and maintenance of a high-quality, population-based approach to tobacco treatment. Importantly, these strategies addressed inequities in tobacco treatment, as the program reached and engaged a majority-African-American patient population. Finally, the opt-out patient assessment strategy has been implemented in multiple oncology settings at MedStar Health through the Commission on Cancer's Just Ask program.
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 | 0,014 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 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 ».