Supporting Genomic Testing in Breast, Ovarian and Endometrial Cancer
Notice bibliographique
Résumé
Precision oncology has fundamentally transformed cancer care by enabling targeted therapies and immunotherapies guided by tumor and germline biomarkers. The inclusion of comprehensive biomarker testing (CBT) in clinical guidelines now applies to most solid tumors which account for almost half a million deaths in the United States each year. Despite rapid advances in molecular diagnostics and expansion of clinical guidelines, substantial gaps and challenges persist in the delivery of guideline-recommended germline, tumor molecular, and immune biomarker testing across disease sites. System-level strategies to proactively identify eligible patients are limited and increasingly unable to operationalize the rapidly evolving complexity of CBT guidelines. Many patients have limited knowledge about CBT and feel unpreparted to recognize how testing could influence treatment decisions or discuss testing. These barriers can limit patient-centered communication and contribute to missed opportunities for guideline concordant care. Oncologists face substantial challenges to delivering guideline-concordant CBT, including competing demands, fragmented workflows, and limited mechanisms for incorporating patients’ questions, concerns and testing priorities into routine care encounters. Together, these barriers underscore the urgent need for scalable, multicomponent approaches that improve the delivery of precision oncology care. Building on compelling preliminary work, the PRECISE (Patient-centered pREcision oncology Communication and Implementation Support to Enhance Biomarker Testing) Trial targets barriers at the patient, clinician, and health system levels. PRECISE will address persistant gaps in CBT delivery by integrating EHR-based identification of patients who meet NCCN testing criteria, personalized AI-enabled patient activation, and clinician communication support into the routine oncology workflows. Guided by the Patient Centered Communication and Ottawa Decision Support Frameworks and Practical, Robust, Implementation and Sustainability Model, we will recruit 320 patients from two academic-community clinical networks. Following rigorous patient- and clinician-informed optimization, we will conduct a two-arm randomized trial comparing PRECISE with enhanced usual care. Specific aims will assess PRECISE’s effects on receipt of guideline-concordant CBT and patient-reported outcomes related to knowledge and treatment decision self-efficacy, which may inform subsequent treatment decisions by patients and clinicians. A mulitisite process evaluation will examine implementation from patient, clinician and system perspectives. If effective, PRECISE will provide a scalable and potentially practice-changing model for integrating EHR-enable case identification, AI-supported patient activation, clinician communication, and workflow-based implementation strategies to ensure that eligible patients can benefit from precision oncology care.
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 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».