A taxonomy of the factors contributing to the overtreatment of cancer patients at the end of life. What is the problem? Why does it happen? How can it be addressed?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many patients with cancer approaching the end of life (EOL) continue to receive treatments that are unlikely to provide meaningful clinical benefit, potentially causing more harm than good. This is called overtreatment at the EOL. Overtreatment harms patients by causing side-effects, increasing health care costs, delaying important discussions about and preparation for EOL care, and occasionally accelerating death. Overtreatment can also strain health care resources, reducing those available for palliative care services, and cause moral distress for clinicians and treatment teams. This article reviews the factors contributing to the overtreatment of patients with cancer at the EOL. It addresses the complex range of social, psychological, and cognitive factors affecting oncologists, patients, and patients' family members that contribute to this phenomenon. This intricate and complex dynamic complicates the task of reducing overtreatment. Addressing these driving factors requires a cooperative approach involving oncologists, oncology nurses, professional societies, public policy, and public education. We therefore discuss approaches and strategies to mitigate cultural and professional influences driving overtreatment, reduce the seduction of new technologies, improve clinician-patient communication regarding therapeutic options for patients approaching the EOL, and address cognitive biases that can contribute to overtreatment at the EOL.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle