Impact of a Nurse Navigator Program on Referral Rates and Use of Fertility Preservation Among Female Cancer Patients: A 14‐Year Retrospective Cohort Study
Notice bibliographique
Résumé
INTRODUCTION: Given the known detrimental impact of cancer treatment on fertility, fertility preservation (FP) is recommended for reproductive age patients who are newly diagnosed with cancer. However, the rate of referral to fertility specialists remains suboptimal. The objective of this study was to determine the impact of a dedicated Nurse Navigator Program (NNP) on the rate of referrals and utilization of FP services. METHODS: A retrospective cohort study of all women ≥ 18 years old referred for FP consultation with a known cancer diagnosis from 2007 to 2021 at a single, large academic center was conducted. FP referrals for non-cancer indications were excluded. Descriptive statistics were performed including comparing referrals received per 30 days and FP utilization rates pre-NNP (October 2007-September 2013) to post-NNP (October 2013-December 2021). RESULTS: A total of 176 patients were included pre-NNP and 990 patients post-NNP. Overall, the mean age at the time of referral was 31.5 ± 6.9 years. The referral rates post-NNP were higher among those without prior exposure to chemotherapy/radiation (0.33 pre-NNP vs. 2.75 post-NNP per 30 days, p < 0.01) and lower among those with prior exposure to chemotherapy/radiation (1.26 pre-NNP vs. 0.70 post-NNP per 30 days, p < 0.01). CONCLUSIONS: After the launch of a dedicated fertility preservation nurse navigation program at our institution, we observed a higher number of referrals for FP as well as greater use of FP overall. While not the only variable that changed during this period, this program has optimized patient care and clinical workflow at our institution and serves as a model for such improvement.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 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 ».