PROM („patient-reported outcome measures“) in der onkologischen Nachsorge der Schweiz: Eine SWOT-Analyse aus der Perspektive der Gesundheitsförderung und Prävention
Bibliographic record
Abstract
Zusammenfassung Hintergrund und Ziel In der Schweiz leben rund 400.000 Cancer Survivors, wovon viele eine geringere Lebensqualität aufweisen als vor der Erkrankung. PROM („patient-reported outcome measures“) ermöglichen, die Patient:innenperspektive bezüglich Lebensqualität und Symptomstatus systematisch zu erheben und diese Daten für die weitere Behandlung in der onkologischen Nachsorge zu nutzen. Ziel dieser Arbeit ist es, Stärken, Schwächen, Chancen und Risiken (SWOT) des Einsatzes von PROM in der onkologischen Nachsorge zu explorieren, um daraus Handlungsempfehlungen für die Krebsliga Schweiz abzuleiten. Methoden und Studiendesign Ein dreistufiges Verfahren kam zu Anwendung: a) selektive Literaturübersicht zum Stand der PROM in der Schweiz; b) Erhebung und thematische Auswertung von fünf leitfadengestützten, qualitativen Expert:innen Interviews; c) Ergebnissynthese anhand einer SWOT-Analyse zur Ableitung von Handlungsempfehlungen für die Krebsnachsorge in der Schweiz. Ergebnisse Fünf Hauptkategorien bilden die Grundlage für die Einordnung in die SWOT-Analyse. Die Förderung von Patient:innenorientierung und Interprofessionalität stehen als Stärken der PROM im Vordergrund. Komplexe Anforderungen an bestehende digitale Infrastruktur bilden eine Schwäche. Chancen werden in einer geschlossenen Versorgungskette und der Verringerung von Gesundheitskosten gesehen, während unklare Zuständigkeiten und das föderalistische Gesundheitssystem zu den Risiken zählen. Im Sinne der Ottawa-Charta der Gesundheitsförderung werden der Krebsliga Schweiz Aktivitäten vorgeschlagen. Schlussfolgerung Unter dem Anspruch der Chancengerechtigkeit sind PROM allen Betroffenen in der Schweiz zugänglich zu machen. Akteure und Organisationen sollen sich für eine flächendeckende Einführung von PROM in der onkologischen Nachsorge einsetzen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.044 | 0.057 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.006 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".