What to do with screening for distress scores? Integrating descriptive data into clinical practice
Notice bibliographique
Résumé
OBJECTIVE: Implementation of routine Screening for Distress constitutes a major change in cancer care, with the aim of achieving person-centered care. METHOD: Using a cross-sectional descriptive design within a University Tertiary Care Hospital setting, 911 patients from all cancer sites were screened at the time of their first meeting with a nurse navigator who administered a paper questionnaire that included: the Distress Thermometer (DT), the Canadian Problem Checklist (CPC), and the Edmonton Symptom Assessment System (ESAS). RESULTS: Results showed a mean score of 3.9 on the DT. Fears/worries, coping with the disease, and sleep were the most common problems reported on the CPC. Tiredness was the most prevalent symptom on the ESAS. A final regression model that included anxiety, the total number of problems on the CPC, well-being, and tiredness accounted for almost 50% of the variance of distress. A cutoff score of 5 on the DT together with a cutoff of 5 on the ESAS items represents the best combination of specificity and sensitivity to orient patients on the basis of their reported distress. SIGNIFICANCE OF RESULTS: These descriptive data will provide valuable feedback to answer practical questions for the purpose of effectively implementing and managing routine screening in cancer care.
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 | 0,004 |
| 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 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».