Revaccination following CAR-T therapy: a needs assessment
Notice bibliographique
Résumé
BACKGROUND: CD19-targeted chimeric antigen receptor T-cell (CAR-T) therapy has transformed treatment for relapsed/refractory large B-cell lymphoma, offering promising remission rates. However, it carries significant infectious risks, necessitating revaccination for infection prevention. METHODS: This single-center quality improvement study aimed to (1) assess revaccination uptake and barriers in CAR-T recipients through interviews and focus groups, and (2) use qualitative insights to develop an educational handout to improve revaccination adherence. The study was conducted at Juravinski Hospital and Cancer Centre, Hamilton, Ontario, and enrolled 22 patients who received CAR-T between January 2020 and June 2023. Participants completed a survey evaluating their revaccination experience, which informed the development of a patient-facing educational handout. A focus group of survey participants then reviewed the handout and offered feedback on its clarity and usefulness. RESULTS: Only 50% of participants proceeded with revaccination. Key barriers included limited awareness among primary care providers (PCPs), poor communication between hematologists and PCPs, and logistical difficulties. The focus group highlighted gaps in understanding post-CAR-T immunization needs and emphasized the importance of patient and physician education. Participants supported the creation of a concise handout outlining the revaccination schedule and clarified the PCP's role in coordination. CONCLUSION: This study underscores the need for improved communication across care providers and accessible patient education to support post-CAR-T revaccination. Future efforts should focus on implementing and evaluating targeted educational tools to enhance vaccine uptake in this high-risk population..
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».