How Patients Experience and Give Meaning to Their Cancer-related Fatigue?
Notice bibliographique
Résumé
Fatigue is a common experience occurring in 70% to 100% of advanced cancer patients with a great impact on quality of life and survival. Despite the complexity of this phenomenon, fatigue’s psychosocial dimensions are still not well understood. The aim of this study was to deepen how Italian patients perceive and give meaning to their cancer-related fatigue through the analysis of their language. The study was designed using ethnoscience, an approach that allows to explore how meaning is conveyed through language. We interviewed 16 cancer patients with different level of fatigue (5 mild, 5 moderate, 6 severe). The data analysis showed that fatigue affected three experiential dimensions (mind, body and interpersonal relationships) which are characterized by different symptomatic manifestations depending on the level of fatigue. Patients’ causal attributions also varied across levels of fatigue: patients with mild and moderate fatigue attributed their fatigue to psychological and contextual causes, whereas patients with severe fatigue attributed their fatigue to physical and medical causes. As fatigue affects multiple areas of patients' lives, this study suggests the importance of holistic treatments with a multidisciplinary approach able to support patient engagement and activation in their healthcare. This study also shows the importance of considering patients' causal attributions about fatigue, as these appeared to play a role in how patients managed fatigue. Finally, our data highlighted the importance of using a shared language when speaking with patients about fatigue as this may help patients to feel more understood and supported, thus also improving their quality of life and engagement in their care & cure process.
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) | 0,000 | 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 ».