Prevalence, Intensity, and Prognostic Significance of Common Symptoms in Terminally Ill Cancer Patients
Notice bibliographique
Résumé
BACKGROUND: Quality of life and palliative management of end-stage cancer patients should improve with greater understanding of the prevalence, intensity, and prognostic significance of their symptoms. OBJECTIVE: We investigated the association between prevalence and intensity of common symptoms and overall survival in Chinese end-stage cancer patients. DESIGN: For this cross-sectional study, 163 Chinese patients with end-stage cancer completed an Edmonton Symptom Assessment questionnaire, and each was given a Karnofsky Performance Status (KPS) score. Overall survival was estimated via the Kaplan-Meier method. Factors affecting overall survival were determined by univariate and multivariate Cox regression analyses. RESULTS: Mean survival of these patients was 51 days. Pain, lack of appetite, and poor well-being were the most frequent symptoms, in 90.2%, 88.3%, and 87.7%, respectively. The most severe symptoms were fatigue, lack of appetite, drowsiness, and poor well-being. Fatigue, lack of appetite, drowsiness, shortness of breath, poor well-being, depression, and KPS score significantly affected overall survival rate, with a relative risk of dying of 1.560, 2.320, 1.684, 1.295, 1.912, 1.414, and 0.487, respectively (Cox regression coefficients: 0.361, 0.827, 0.539, 0.185, 0.694, 0.318, and -0.602). Fatigue, lack of appetite, shortness of breath, age, and KPS score were independent risk factors of overall survival, with a relative risk of dying of 1.581, 1.122, 1.123, 1.022, and 0.797, respectively (Cox regression coefficients: 0.458, 0.115, 0.116, 0.022, and -0.227). CONCLUSION: Fatigue, shortness of breath, lack of appetite, age, and KPS score were associated with overall survival of end-stage Chinese cancer patients.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».