Integrating Palliative Care and Hematologic Malignancies: Bridging the Gaps for Our Patients and Their Caregivers
Notice bibliographique
Résumé
Patients with hematologic malignancies (HMs) struggle with immense physical and psychological symptom burden, which negatively affect their quality of life (QOL) throughout the continuum of illness. These patients are often faced with substantial prognostic uncertainty as they navigate their illness course, which further complicates their medical decision making, especially at the end of life (EOL). Consequently, patients with HM often endure intensive medical care at the EOL, including frequent hospitalization and intensive care unit admissions, and they often die in the hospital. Our EOL health care delivery models are not well suited to meet the unique needs of patients with HMs. Although studies have established the role of specialty palliative care for improving QOL and EOL outcomes in patients with solid tumors, numerous disease-, clinician-, and system-based barriers prevail, limiting the integration of palliative care for patients with HMs. Nonetheless, multiple studies have emerged over the past decade identifying the role of palliative care integration in patients with various HMs, resulting in improvements in patient-reported QOL, symptom burden, and psychological distress, as well as EOL care. Importantly, these studies have also identified active components of specialty palliative care interventions, including strategies to promote adaptive coping especially in the face of prognostic uncertainty. Future work can leverage the knowledge gained from specialty palliative care integration to develop and test primary palliative care interventions by training clinicians caring for patients with HMs to incorporate these strategies into their clinical practice.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».