Interventions to Support Transitions in Care Among Patients With Cancer: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: The cancer journey from diagnosis through survivorship is complex and involves care from many healthcare providers across a variety of settings. Navigating the transitions between care providers and settings can be improved through interventions. The objective of this study was to map and characterize evidence on interventions to improve transitions in care among patients with cancer. METHOD: Six databases were searched to identify relevant studies that described or evaluated interventions to support transitions in care for patients with cancer. Data on the interventions, the type of transition in care, type of cancer, and outcomes (including measure of effectiveness) were abstracted. Data were synthesized and analyzed using descriptive statistics. RESULT: Of the 38,876 data sources identified, 150 were included. Most included studies were from the United States and were observational studies exploring interventions to facilitate the transition from treatment to survivorship (followed by interventions for the transition from hospital to home) among patients with breast cancer (followed by gastrointestinal cancers, lung cancers, and hematologic cancers). Interventions that were found to be effective were most commonly those that facilitated the transition from diagnosis to treatment and for the transition from hospital to home. CONCLUSION: This comprehensive synthesis is an important resource for those trying to improve transitions in care for patients living with and beyond cancer. Despite the large body of evidence identified, gaps remain; there is a paucity of studies exploring transitions in care during cancer treatment and among some cancers (e.g., brain tumors, head and neck, pancreatic).
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».