Exploring why European primary care physicians sometimes do not think of, or act on, a possible cancer diagnosis. A qualitative study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: While primary care physicians (PCPs) play a key role in cancer detection, they can find cancer diagnosis challenging, and some patients have considerable delays between presentation and onward referral. AIM: To explore European PCPs' experiences and views on cases where they considered that they had been slow to think of, or act on, a possible cancer diagnosis. DESIGN & SETTING: A multicentre European qualitative study, based on an online survey with open-ended questions, asking PCPs for their narratives about cases when they had missed a diagnosis of cancer. METHOD: Using maximum variation sampling, PCPs in 23 European countries were asked to describe what happened in a case where they were slow to think of a cancer diagnosis, and for their views on why it happened. Thematic analysis was used to analyse the data. RESULTS: A total of 158 PCPs completed the questionnaire. The main themes were as follows: patients' descriptions did not suggest cancer; distracting factors reduced PCPs' cancer suspicions; patients' hesitancy delayed the diagnosis; system factors not facilitating timely diagnosis; PCPs felt that they had acted wrongly; and problems with communicating adequately. CONCLUSION: The study identified six overarching themes that need to be addressed. Doing so should reduce morbidity and mortality in the small proportion of patients who have a significant, avoidable delay in their cancer diagnosis. The 'Swiss cheese' model of accident causation showed how the themes related to each other.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 découle