Symptomskartlegging ved bruk av Esas til pasienter i palliativ fase
Bibliographic record
Abstract
SAMMENDRAG\n\nBakgrunn: Flere og flere pasienter som får en inkurabel sykdom lever lenger\nmed sin sykdom. Den palliative behandlingen står dermed sentralt og er viktig\nhos mange pasienter. Edmonton Symptom Assessment System (ESAS) er et\nkartleggingsverktøy som hjelper helsepersonell med å kartlegge symptomer,\nmen hvilken rolle spiller sykepleierne i bruken av ESAS. Dette temaet ønsker vi\nå belyse ytterligere, og mener er viktig for den palliative behandlingen\npasientene får.\n\n\nHensikt: I oppgaven ønsker vi å finne ut hvilken rolle sykepleierne har i møte å\nkartlegge symptomer, og vi ønsker å sette søkelys på sykepleiernes erfaringer\nmed bruken av ESAS til palliative pasienter. Studien tar for seg hvordan\nskjemaet fungerer, viktigheten av god kommunikasjon, og hvordan kunnskap og\nrutiner har noe å si for hvordan ESAS fungerer i praksis. Problemstillingen er:\n«Sykepleiernes rolle ved symptomkartlegging og bruken av ESAS til pasienter i\npalliativ fase.»\n\n\nMetode: Studiet er en litteraturstudie basert på̊ fem ulike forskningsartikler. To\nav artiklene er kvalitative, hvorav en er kvantitativ og en er både kvalitativ og\nkvantitativ.\n\n\nResultater: Sykepleierne anser ESAS som et godt verktøy for å kartlegge\nsymptomer, og et skjema som åpner for samtale mellom pleier og pasient. Til\ntross for gode resultat om ESAS som kartleggingsverktøy står mangel på rutine\nog kunnskap sentralt i bruken av ESAS i praksis.\n\n\nKonklusjon: Sykepleierne har en viktig rolle i møte med palliative pasienters\nsymptomer, og kan ved hjelp av tidlig bruk av kartleggingsverktøy finne\nsymptomene og effektivisere behandlingen. Mangel på undervisning og\nengasjement, gjør at mangelfull rutine og kunnskap fører til at ESAS ikke blir\nfulgt opp på en systematisk og god måte blant sykepleierne.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.036 | 0.012 |
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".