Evaluating the implementation and impact of navigator-supported remote symptom monitoring and management: a protocol for a hybrid type 2 clinical trial
Notice bibliographique
Résumé
Abstract Background Symptoms in patients with advanced cancer are often inadequately captured during encounters with the healthcare team. Emerging evidence demonstrates that weekly electronic home-based patient-reported symptom monitoring with automated alerts to clinicians reduces healthcare utilization, improves health-related quality of life, and lengthens survival. However, oncology practices have lagged in adopting remote symptom monitoring into routine practice, where specific patient populations may have unique barriers. One approach to overcoming barriers is utilizing resources from value-based payment models, such as patient navigators who are ideally positioned to assume a leadership role in remote symptom monitoring implementation. This implementation approach has not been tested in standard of care, and thus optimal implementation strategies are needed for large-scale roll-out. Methods This hybrid type 2 study design evaluates the implementation and effectiveness of remote symptom monitoring for all patients and for diverse populations in two Southern academic medical centers from 2021 to 2026. This study will utilize a pragmatic approach, evaluating real-world data collected during routine care for quantitative implementation and patient outcomes. The Consolidated Framework for Implementation Research (CFIR) will be used to conduct a qualitative evaluation at key time points to assess barriers and facilitators, implementation strategies, fidelity to implementation strategies, and perceived utility of these strategies. We will use a mixed-methods approach for data interpretation to finalize a formal implementation blueprint. Discussion This pragmatic evaluation of real-world implementation of remote symptom monitoring will generate a blueprint for future efforts to scale interventions across health systems with diverse patient populations within value-based healthcare models. Trial registration NCT04809740 ; date of registration 3/22/2021.
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 | 0,080 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,065 | 0,014 |
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 ».