Understanding challenges and barriers to quality end-of-life care for patients with hematologic malignancies: a GIMEMA survey
Notice bibliographique
Résumé
Patients with hematologic malignancies often receive aggressive end-of-life (EOL) care, which may be partly related to hematologists' discomfort with discontinuing aggressive treatments at EOL. It is therefore important to investigate how hematologists perceive EOL care and how this affects their clinical practice. We assessed a cohort of Italian hematological oncologists through a GIMEMA online survey to explore their attitudes toward standard measures of quality EOL care, their opinions on barriers to providing this care, and potential interventions. EOL quality measures were defined acceptable to hematologist if at least 55% of respondents agreed with their suitability. One-hundred eight-six hematologists completed the survey. Hematologists rated 8 of 13 EOL quality measures as highly acceptable, including no new chemotherapy, no intensive care unit admission, no intubation/cardiopulmonary resuscitation in the last 30 days of life, and hospice admission > 7 days before death. Major barriers to quality EOL care included unrealistic patient expectations, clinician concerns about taking away hope, and uncertainty about what to say. Moreover, 73% admitted to being unfamiliar with discussing goals of care (GOC) or advance care planning (ACP). Suggested interventions for improvement included increasing the availability and timely integration of palliative care, and access to home care services. In conclusion, Italian hematologists find most standard EOL quality measures acceptable, they identify barriers to quality care, and are open to interventions, including early integration of palliative care, to improve patients' EOL care. However, they lack familiarity with GOC and ACP discussions, highlighting the need for communication skills training.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».