Exploring the Potential of Electronic Patient-Reported Outcome Measures to Inform and Assess Care in Sarcoma Centers
Notice bibliographique
Résumé
BACKGROUND: Electronic patient-reported outcome measures (ePROMs) are useful tools to assess care needs of patients diagnosed with cancer and to monitor their symptoms along the illness trajectory. Studies regarding the application of ePROMs by advanced practice nurses (APNs) specialized in sarcoma care and the use of such electronic measures for care planning and assessing quality of care are lacking. OBJECTIVE: To explore the potential of ePROMs in clinical practice for assessing the patient's quality of life, physical functionality, needs, and fear of progression, as well as distress and the quality of care in sarcoma centers. METHODS: A multicenter longitudinal pilot study design was chosen. Three sarcoma centers with and without APN service located in Switzerland were included. The instruments EQ-5D-5L, Pearman Mayo Survey of Needs, the National Comprehensive Cancer Network Distress Thermometer, PA-F12, and Toronto Extremity Salvage Score were used as ePROMs. Data were analyzed descriptively. RESULTS: Overall, 55 patients participated in the pilot study; 33 (60%) received an intervention by an APN, and 22 (40%) did not. Patients in sarcoma centers with APN service reported overall higher scores in quality of life and functional outcome. The number of needs and distress level were lower in sarcoma centers with APN service. No differences were found with respect to patients' fear of progression. CONCLUSIONS: Most of the ePROMs proved to be reasonable in clinical practice. PA-F12 has shown low clinical relevance. IMPLICATIONS FOR PRACTICE: Using ePROMs appears to be reasonable to obtain clinically relevant patient information and to evaluate the quality of care in sarcoma centers.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; 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 ».