Optimizing Adherence to Oral Anticancer Agents: Results from an Implementation Mapping Study
Notice bibliographique
Résumé
Clinical trials inform cancer care, yet real-world outcomes often diverge due to patient-related factors, like age, organ dysfunction, and nonadherence to oral anticancer agents (OAAs). While oncology organizations emphasize patient support programs, practical guidance on designing and implementing these programs is limited. We conducted a two-phase, mixed-methods study to enhance the adoption, implementation, and sustainability of an OAA adherence program (OAP). In phase 1, we used implementation mapping (IM) with a multidisciplinary expert panel to develop six strategies: (1) memorandum of understanding (MOU), (2) data-driven presentation, (3) standard operating procedures (SOPs), (4) motivational interviewing (MI) training, (5) electronic health record (EHR) templates, and (6) key performance indicators (KPIs). In phase 2, oncology professionals (n = 34) completed surveys, and a subset (n = 10) participated in interviews to assess feasibility, acceptability, and appropriateness. EHR templates and SOPs were rated as the most feasible and acceptable strategies, while MI training and formal agreements received moderate ratings. Interviews highlighted the importance of leadership buy-in, incremental implementation, and clear documentation. Participants valued KPIs for tracking adherence and outcomes but noted resource constraints and staff workload as challenges. Using IM, we co-developed strategies to activate OAA adherence-focused clinical programs. Tools standardizing care, like EHR templates and SOPs, were highly endorsed. Future work will test these strategies in a hybrid trial to improve real-world oncology outcomes.
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 | 0,153 | 0,264 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».