The Role of Nurses in the Management of Adverse Events in Patients Receiving First-Line Axitinib Plus Immuno-Oncology Agents for Advanced Renal Cell Carcinoma
Notice bibliographique
Résumé
OBJECTIVES: The recent approval of first-line tyrosine kinase inhibitor plus immuno-oncology agent combination therapy for the treatment of advanced renal cell carcinoma offers substantially improved response rates and survival compared with the previous standard of care. This expansion of treatment options has also led to a greater range and complexity of potential treatment-related adverse events related to overlapping toxicities. The aim of this article is to discuss the management of common treatment-emergent adverse events (AEs) associated with axitinib plus immuno-oncology therapy, highlight the specific roles of oncology nurses in managing these events, and provide AE management resources to aid oncology nurses in their care of patients with advanced renal cell carcinoma. DATA SOURCES: Author experience, journal articles, and treatment guidelines were used. CONCLUSION: The use of oncology nurses and nurse-led innovations to monitor and assess treatments can have a positive impact on the management of AEs in cancer patients by identifying those who are most at risk, providing regular assessment, appropriate patient education, and supporting the monitoring of patient safety. IMPLICATIONS FOR NURSING PRACTICE: Skilled oncology nurses should be a key part of a team that addresses the supportive care needs and management of AEs that are associated with novel cancer treatments. Early and ongoing communication between the patient and oncology nurses regarding the development of adverse events is a critical component of maximizing treatment outcomes and quality of life.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».