Analyzing Symptom Management Trials: The Value of Both Intention-to-Treat and Per-Protocol Approaches
Notice bibliographique
Résumé
PURPOSE/OBJECTIVES: Two analytical approaches are described for a randomized trial testing interventions for symptom management. DESIGN: To compare an intention-to-treat with a perprotocol approach. SETTING: Patients were accrued from six cancer centers. SAMPLE: 94 men and 140 women with solid tumors were accrued. METHODS: An intention-to-treat approach (as randomized) and per-protocol analyses (at least one symptom reaching threshold and one follow-up intervention) were compared. The analysis determines how each approach affects results. A two-arm, six-contact, eight-week trial was implemented. In one arm, nurses followed a cognitive behavioral protocol. In the second arm, a non-nurse coach referred patients to a symptom management guide. MAIN RESEARCH VARIABLES: Trial arm; summed severity scores; interference-based severity categories at intake, 10 weeks, and 16 weeks; site; and stage of cancer. FINDINGS: Each arm produced a reduction in severity at 10 and 16 weeks with no differences between arms. In the per-protocol analyses, symptoms reported at the first contact required more time to resolve. Older patients exposed to the nurse arm resolved in fewer contacts. CONCLUSIONS: The intention-to-treat analyses indicated that both arms were successful but offered few insights into how symptoms or patients influenced severity. Per-protocol analyses (intervention and dose), when, and which strategies affected symptoms. IMPLICATIONS FOR NURSING: Each analytical strategy serves a purpose. Intention-to-treat defines the success of a trial. Per-protocol analyses allow nurses to pose clinical questions about response and dose of the intervention. Nurses should participate in analyses of interventions to understand the conditions where interventions are successful.
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 | 0,001 | 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 ».