Practice patterns in the diagnosis and management of chemotherapy-induced peripheral neuropathy in adolescents and young adults with cancer: a survey of oncologists
Notice bibliographique
Résumé
PURPOSE: Chemotherapy-induced peripheral neuropathy (CIPN) affects > 78% of oncology patients and causes detrimental side effects. There may be practice heterogenicity in CIPN management amongst oncologists treating pediatric, adolescent young adult (AYA), and adult patients with cancer. We sought to evaluate the practice patterns of oncologists regarding their management of CIPN in AYAs with cancer. METHODS: A survey was developed and sent to pediatric and medical oncologists from across the United States. Scenarios included an 18-year-old receiving vincristine (VCR) with mild neuropathy (Scenario 1) and moderate/severe neuropathy (Scenario 2). Respondents were asked how they would manage each patient. Differences between pediatric and medical oncologists' management were assessed. RESULTS: A total of 179 responses were submitted by 132 (73.7%) pediatric, 44 (24.6%) medical oncologists, and 3 (1.6%) oncologists who care for both pediatric and adult patients. Over half of respondents for Scenario 1 would refer the patient to physical therapy (PT) (56.8%), 38.1% would prescribe a pharmacologic agent, and 27.8% would dose reduce/omit vincristine. For Scenario 2, most (81.8%) would dose reduce/omit vincristine, 69.3% would refer for PT, and 44.9% would start a pharmacologic agent. On multivariable analyses, medical oncologists were more likely to dose reduce/omit vincristine for Scenario 1 (OR, 7.68; 95% CI, 3.24-18.22) and Scenario 2 (OR, 5.52; 95% CI, 1.37-22.18, and less likely to refer to PT for Scenario 1 (OR, 0.12; 95% CI, 0.05-0.31) and Scenario 2 (OR, 0.18; 95% CI, 0.08-0.41). CONCLUSION: Our survey suggests a broad spectrum of CIPN management in AYAs with cancer. The heterogenicity in practices and significant differences between pediatric and medical oncologists underscores an urgent need to better understand the source of heterogeneity in CIPN management practices and barriers to evidence-based care delivery.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».