Psychological treatment outcomes for cancer patients: what do meta‐analyses tell us about distress reduction?
Notice bibliographique
Résumé
OBJECTIVE: The effectiveness of psychological treatment for distress reduction in cancer patients has been frequently studied and reviewed in systematic reviews but reviewer conclusions vary considerably. Clear and consistent evidence is needed to assist clinicians and administrators with their decision-making. We hypothesized that uneven handling of confounding methodological features are at least partly the reason for disagreements and reviewed the literature in this light. METHOD: A systematic review of 14 published meta-analyses was conducted to determine whether due consideration of moderating variables in psycho-oncological treatments permits clearer recommendations. Quality of the reviews, treatment type, dosage, therapist qualities, outcomes at follow-up, and screening versus not screening for elevated distress were examined as moderator variables. RESULTS: Treatment effects are consistently positive but also vary greatly in magnitude. There is lacking evidence for many important questions, in particular, differential treatment effects for different cancer types and stages. Regarding moderators of outcome, quality of review had no impact on results for depression but including lower quality reviews actually lead to underestimation of treatment effects for anxiety. The most potent negative moderator variable, however, is a floor effect that arises when patients are recruited for treatment studies without being selected for high levels of distress. Such indiscriminate recruitment is very frequent in psycho-oncology and leads to small reported treatment effects; when, however, patients are first screened for elevated distress, the ratio of observed treatment effects sizes is roughly three times greater. CONCLUSION: Sweeping judgments about the effectiveness of psycho-oncological treatments for distress reduction are somewhat misleading and counter-productive. Among moderator variables, floor effects are particularly pervasive and have a large suppressor effect on observed outcomes.
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 | 0,069 | 0,222 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,026 | 0,047 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».