Quality Measure Concepts to Fill Gaps in Assessing Oral Oncolytic Adherence: A Multistakeholder Measurement Strategy
Notice bibliographique
Résumé
Oral oncolytics affect the way oncology providers and their patients manage treatment. Patients with cancer often prefer oral therapies; however, at-home oral treatments may lead to increased non-adherence. Medication adherence quality measures have been used to monitor adherence for other medication types, but none exist for oral oncolytic therapies. A multistakeholder workgroup of oncology and quality measurement experts explored gaps in quality measures focused on oral oncolytic adherence and identified, prioritized, and refined measure concepts for further development. The workgroup prioritized measure gaps and developed measure concepts to assess priority factors impacting adherence: 1) screening for oral oncolytic medication access challenges and 2) bidirectional patient and provider communication regarding oral oncolytic treatment. They further prioritized development of medication persistence rate and discontinuation rate measures. The workgroup then identified action steps to advance the measure concepts, including evidence generation, agreement on best practices to support adherence, identification and use of patient-reported outcomes measures and tools, and integration of measurement data components into existing workflows. Pursuing these recommendations will require collaboration across stakeholders.
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 | 0,459 | 0,438 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,019 | 0,013 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,018 | 0,022 |
| Science ouverte | 0,009 | 0,018 |
| Intégrité de la recherche | 0,006 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».