Building a Genomics-Informed Nursing Workforce: Recommendations for Oncology Nursing Practice and Beyond
Notice bibliographique
Résumé
BACKGROUND: Genomics is a foundational element of precision health and can be used to identify inherited cancers, cancer related risks, therapeutic decisions, and to address health disparities. However, there are structural barriers across the cancer care continuum, including an underprepared nursing workforce, long wait times for service, and inadequate policy infrastructure that limit equitable access to the benefits of genomic discoveries. These barriers have persisted for decades, yet they are modifiable. Two distinct waves of efforts to integrate genomics into nursing practice are analyzed. Drawing on research and observations during these waves, this discussion paper explores additional approaches to accelerate workforce development and health system transformation. RESULTS: Three recommendations for a third wave of efforts to integrate genomics are explored. (1) Collaborate across the domains of nursing practice, professions, and sectors to reset priorities in response to emerging evidence, (2) Education in leadership, policy and practice for rapid scale-up of workforce and health system transformation, and (3) Create a research framework that generates evidence to guide nursing practice. CONCLUSIONS: Preparing nurses to lead and practice at the forefront of innovation requires concerted efforts by nurses in all five domains of practice and can optimize health outcomes. Leveraging nursing as a global profession with new strategies can advance genomics-informed nursing.
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 | 0,038 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,014 | 0,016 |
| Science ouverte | 0,008 | 0,018 |
| Intégrité de la recherche | 0,022 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,006 |
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 ».