Tailoring information for adults over 50 living with cancer in the age of social media: A systematic review
Notice bibliographique
Résumé
BACKGROUND: Cancer often requires patients to make swift, informed, treatment decisions. Despite their engagement with healthcare providers and digital resources, cancer patients over 50 often experience high levels of unmet information needs during these critical times. However, there is a lack of evidence-based information on their supportive-care information needs. OBJECTIVE: To examine cancer patients' (aged 50 +) information and health literacy needs and their motivations for using social media (i.e Twitter/X, Facebook, YouTube and Instagram) during decision-making. METHODS: A systematic literature review, following the PRISMA guidelines, was conducted using electronic databases (Scopus, Web of Science and PubMed/MEDLINE) and grey literature. All original articles published from January 2002 to October 2023 were extracted and analysed within COVIDENCE and NVIVO14 for themes following narrative and tabular analysis. Risk of bias was assessed using the Newcastle-Ottawa Quality Assessment scale. RESULTS: Of 761 articles identified, six were included. Patients' health literacy was determined to be moderate to low. At decision-making points, cancer patients over 50 needed personalised, supportive and disease-related information. They preferred holistically tailored information and were satisfied with how their doctors met their needs. Complimentary therapies and dietary recommendations were well received by patients of Chinese, Vietnamese, and Australian backgrounds. Patients over 50 accessed social media throughout their cancer. Although useful for obtaining support and information, social media raised patients' concern around misinformation. CONCLUSION: Our findings highlight the importance of meeting the information needs of cancer patients over 50 and incorporating a holistic approach to information delivery. Social media sites targeting consumers can be useful tools for healthcare institutions to supply accurate, user-friendly information. TRIAL REGISTRATION: PROSPERO registration number - CRD42022358710.
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 | 0,008 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».