Twenty Years of Nurse-Led Research in Hemato-Oncology: A Mapping Review
Notice bibliographique
Résumé
OBJECTIVES: Nurse-led research in hemato-oncology is diverse, but its nature and extent are unknown. This review aimed to identify and map nurse-led research in hemato-oncology over 20 years (2004-2024) to highlight under-researched gaps, describe methodological and topic trends, and allow comparison between geographical regions. METHODS: A mapping review was undertaken following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses, Scoping Review (PRISMA-ScR) checklist. Five databases were systematically searched: Medline (Ovid), CINAHL (EBSCOhost), Embase (Elsevier), ProQuest, and Scopus (Elsevier). Independent screening and data extraction were undertaken on the web-based platform Covidence. RESULTS: A total of 1,916 sources were included (n = 1,618 journal publications; n = 262 published conference abstracts; n = 36 doctoral dissertations). The most common methodology was non-experimental (60.5%), followed by qualitative (19.2%), experimental (12.5%), evidence syntheses (6.3%), and mixed methods (1.5%). Most of the studies were undertaken by nurses working in the USA, followed by nurses in China, Türkiye, Canada, Australia and Iran. Studies in pediatric, adolescent, and young adult settings represented 42.4% of the included studies. A high number of studies undertaken in hematopoietic stem cell transplant settings were found. CONCLUSIONS: The number of research studies led by nurses in hemato-oncology settings, particularly in the USA, is upward. Most of the research undertaken has adopted a descriptive quantitative methodology. More interventional research is needed to contribute meaningfully to scientific knowledge that enhances the quality of care for individuals affected by blood cancer across the disease trajectory. IMPLICATIONS FOR NURSING PRACTICE: To support more nurse-led interventional research, strategic investment in mentorship, protected research time, interdisciplinary collaboration, structured clinical-academic posts, and funding pathways is needed.
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 | 0,042 | 0,115 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,024 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».