Optimizing Adjuvant Care in Early Breast Cancer: Multidisciplinary Strategies and Innovative Models from Canadian Centers
Notice bibliographique
Résumé
The adjuvant treatment landscape for hormone receptor-positive (HR+), human epidermal growth factor receptor 2-negative (HER2-) early breast cancer (EBC) is rapidly evolving, with a diverse range of therapeutic options-including endocrine therapies, bisphosphonates, ovarian function suppression, olaparib, CDK4/6 inhibitors, and emerging agents such as immunotherapy. While these advances have markedly improved patient outcomes, they also introduce challenges related to implementation, monitoring, and resource allocation. Notably, therapies like CDK4/6 inhibitors require particularly close monitoring, creating logistical and capacity challenges for medical oncologists, whose workloads are already stretched due to rising cancer incidence and treatment complexities. These challenges underscore the need for innovative care delivery solutions to ensure patients with EBC continue to receive optimal care. This paper offers a comprehensive guide-a playbook-of multidisciplinary-team-based care models designed to optimize adjuvant treatment delivery in EBC. Drawing on real-world evidence and successful applications across Canadian centers, we explore models led by nurses, nurse practitioners (NPs), general practitioners in oncology (GPO), and pharmacists. Each model leverages the unique expertise of its team to manage treatment toxicities, facilitate adherence, and enhance patient education, thereby promoting effective and sustainable care delivery. Importantly, these models are not intended to compete with one another, but rather to serve as a flexible recipe book from which breast cancer care teams can draw strategies tailored to their local resources and patient needs. By detailing implementation strategies, benefits, and challenges-in many instances supported by quantitative metrics and economic evaluations-this work aims to inspire care teams nationwide to optimize the adjuvant management of patients with HR+, HER2- EBC.
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 | 0,012 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,015 | 0,006 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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 ».