Reirradiation practices of Radiation Therapists (RePoRT) study
Notice bibliographique
Résumé
Purpose: Reirradiation for patients with new, recurrent or metastatic tumors is complex and requires intensive collaboration between Radiation Oncologists, Medical Physicists, and Radiation Therapists (RTT). Aside from dosimetry, little has been reported on the role of the RTT in reirradiation. The study characterized the reirradiation patterns-of-practice of RTTs to understand the knowledge and skills being applied in this increasingly important area of cancer care. Materials and Methods: A cross-sectional, survey was conducted of all RTTs practicing in Canada over a 3-month period. The 48-item questionnaire asked RTTs the frequency of performing a range of reirradiation activities, to self-rate their competency levels, and to identify enablers and barriers to reirradiation practice. The survey was distributed by email and data were analyzed with descriptive statistics or thematic analysis for free-text responses. Results: Responses from 214 RTTs revealed frequent and significant involvement in all steps of reirradiation pathway, ranging from pre-treatment imaging and positioning to patient supportive care. There was lower involvement in advanced reirradiation dosimetry techniques, which coincided lower competency self-ratings and knowledge gaps in this area. Access to prior patient records, standardized reirradiation workflows and multi-disciplinary communication were the most common elements reported as important for reirradiation practice. Conclusions: RTT reported frequent and significant involvement in all steps of the reirradiation care pathway. Providing focused education and training for RTTs on reirradiation, coupled with team workflow optimization may enable more effective, safe and streamlined reirradiation care for patients.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».