MétaCan
Menu
Retour à la cohorte
Enregistrement W4402986924 · doi:10.1200/op.2024.20.10_suppl.92

Adaptive learning to address gaps in metastatic breast cancer treatment with CDK 4/6 inhibitors.

2024· article· en· W4402986924 sur OpenAlexaff
Monica Augustyniak, Matthew Fleming, Richard S. Finn, Katrina Jackson, Patrice Lazure, Suzanne Murray

Notice bibliographique

RevueJCO Oncology Practice · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced Breast Cancer Therapies
Établissements canadiensAxdev Group (Canada)
Organismes subventionnairesPfizer
Mots-clésMetastatic breast cancerBreast cancerCyclin-dependent kinaseMedicineOncologyCancerInternal medicineCancer research

Résumé

récupéré en direct d'OpenAlex

92 Background: To address identified gaps in knowledge and confidence of US-based healthcare professionals (HCPs) when using cyclin-dependent kinase 4/6 inhibitors (CDK 4/6i) to treat metastatic breast cancer (mBC), an adaptive learning program (ALP) was deployed to review guideline recommendations and evidence from randomized clinical trials (RCTs) and real-world data (RWD). Methods: The ALP consisted of reading materials (guideline excerpts, RCTs, RWD, cases) with a virtual tutor that taught. The ALP continued to review necessary content until responders were both correct and confident (conscious competence). Impact on learning was interpreted as greater for learning objectives with the lowest accuracy score (% of correct responses) and higher distance to 100% conscious competency at baseline. Immediately post-ALP, satisfaction, perceived impact on knowledge, confidence and intent to change practice were assessed quantitatively and qualitatively. ANOVA compared continuous measures by profession. Results: Participants (n=261) were physicians (MD, 17%), advanced practice practitioners (APP, 20%), registered nurses (RN, 49%), pharmacists (11%), and other (3%). Mean completion time was 44 minutes and learners’ proficiency shifted +64% towards conscious competency. The learning objectives most impacted by the education are shown (Table). Learners most satisfied with the ALP (47% with 9-10 on a 10-point satisfaction scale) appreciated the challenge and reported positive impact on their knowledge and confidence, resulting in intent to change their patient-communication, clinical decisions and interprofessional collaboration when using CDK4/6i. Conclusions: This ALP initiative addressed the educational gaps of US HCPs regarding CDK4/6i in HR+/HER2- mBC by challenging participants to re-consider their knowledge and confidence until conscious competency was demonstrated. Engaged learners found the activity impactful and reported intent to change practice. Future studies should seek to address attrition challenges and assess long term impacts of such programs. Top five learning objectives with lowest-ranking accuracy, by profession. Learning Objectives (LOs) Most Impacted Initial Scores by Profession Final Score ALL MD APP RN PharmD Other Identify appropriate CDK4/6i treatment options for a premenopausal woman with newly diagnosed HR+/HER2- mBC 54 57 53 53 62 52 100 Match RWD sources with their characteristics 56 55 60 55 61 41 100 Interpret results from the landmark CDK4/6i RCTs 58 62 61 53 64 56 100 Interpret RWE related to the use of CDK4/6i in patients who are underrepresented in RCTs* 62 62 63 58 74 65 100 Identify the latest updates from CDK4/6i RCTs 62 60 63 61 62 82 100 Average accuracy score for all 24 LOs 71 72 73 69 74 64 100 *Significantly different between professions (p<0.05; one-way ANOVA).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,389
Écart entre enseignants0,358 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJCO Oncology PracticeMême sujetAdvanced Breast Cancer TherapiesTravaux en français237 207