Besoins de formation continue d’infirmières en oncologie quant à la thérapie CAR-T : un sondage
Bibliographic record
Abstract
La thérapie CAR-T, une avancée thérapeutique majeure pour les cancers hématologiques, repose sur des soins complexes et ultraspécialisés. Les infirmières1 jouent un rôle central dans la prise en charge des adultes traités par cette thérapie. Bien que la complexité de cette approche souligne l’importance d’une formation continue ciblée pour les infirmières, il existe encore peu d’évidences pour guider le développement d’un tel programme de formation. Cette étude présente les résultats du premier sondage pancanadien visant l’identification des besoins de formation continue d’infirmières pour la prise en charge de personnes adultes traitées au Canada par la thérapie CAR-T à la suite d’un cancer hématologique. Un sondage bilingue (français et anglais) a été élaboré en s’appuyant sur une adaptation du cadre de compétences infirmières en thérapie CAR-T proposé par He et al. (2024). Le sondage, prétesté puis validé, a été diffusé à l’aide de la plateforme Lime Survey auprès des membres de l’Association canadienne des infirmières en oncologie (CANO). Les données recueillies ont été analysées à l’aide de statistiques descriptives et d’une analyse thématique qualitative. Au total, 88 répondants ont rempli entièrement le questionnaire. La grande majorité des répondantes étaient des femmes (94 %), âgées de 30 à 49 ans (73 %) et œuvraient principalement dans des unités de soins en oncologie (38 %) ou dans des centres de traitement ambulatoire (35 %). Les résultats révèlent des besoins de formation importants, tant sur le plan des connaissances théoriques (processus de traitement, complications potentielles) que des habiletés opérationnelles (administration, gestion des effets secondaires, suivi en ambulatoire, communication interdisciplinaire). Des écarts notables sont observés selon le lieu d’exercice, le nombre de patients CAR-T pris en charge par les répondants et la formation antérieure suivie. Ces constats soulignent la nécessité de développer des programmes de formation continue structurés, accessibles et adaptés aux différents contextes de pratique, afin de soutenir les infirmières dans la prestation de soins sécuritaires et de qualité aux personnes sous thérapie CAR- T.
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 | 0.005 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".