Utilization outcomes of a cancer rehabilitation (CRNav) program: getting to the quadruple aim in cancer care
Notice bibliographique
Résumé
BACKGROUND: A cancer rehabilitation navigation (CRNav) program is an evidence-based care delivery model that uses a rehabilitation professional in the navigation role to support oncology care delivery, provide functional screening for early identification of impairment, and coordinate care delivery services to optimize early rehabilitation. There is limited research showing how a CRNav impacts healthcare utilization. The objective of this study was to assess utilization data for a CRNav Program and demonstrate how the program influences the effectiveness of cancer care delivery and patient and provider satisfaction. METHODS: Data was collected from the electronic health record of the Brooks Rehabilitation/Halifax systems at a community cancer center to assess program and service utilization over 3.2 years using a retrospective design. RESULTS: Over 3.2 years, the CRNav program received 1585 referrals and screened 1447 (91.3%) patients. Of the 1447 screenings performed, 73.6% were recommended to receive outpatient rehabilitation (n = 1065). Among patients screened, breast cancer was the most common cancer diagnosis (47%) followed by head and neck cancers (14%). There were 638 total rehabilitation visits identified for patients who were seen for services within the health system, with physical therapy encounters accounting for the greatest number (n = 462). The most common reasons for receiving physical therapy services included lymphedema (27%), pain (25%), and limited range of motion (12%). Patients reported high satisfaction (≥ 95.4%) in the areas of how well rehabilitation met expectations and overall satisfaction with the rehabilitation experience. CONCLUSIONS: Using a CRNav in a community cancer center resulted in efficient care of patients with cancer, improved patient satisfaction and patient outcomes, and an enhanced clinician experience. This program provides a value-based approach to care supporting the quadruple aim and improving the identification and management of cancer-related functional morbidity.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».