Complementary and Alternative Medicine Use and Benefit Finding Among Cancer Patients
Notice bibliographique
Résumé
PURPOSE: An increasing number of cancer patients are choosing Complementary and Alternative Medicine (CAM) as an active way to manage the physical, psychological, and spiritual consequences of cancer. This trend parallels a movement to understand how a difficult experience, such as a cancer diagnosis, may help facilitate positive growth, also referred to as benefit finding. Little is known about the associations between the use of CAM and the ability to find benefit in the cancer experience. METHODS: We conducted a cross-sectional survey of medical oncology outpatients in an urban academic cancer center. Patients completed measures of CAM use and benefit finding following a diagnosis of cancer. A hierarchical regression, adjusting for covariates, was performed to evaluate the unique contribution of CAM use on benefit finding. The relationship between specific CAM modalities and benefit finding was explored. RESULTS: Among 316 participants, 193 (61.3%) reported CAM use following diagnosis. Factors associated with CAM use were female gender (p=0.005); college, or higher, education (p=0.09); breast cancer diagnosis (p=0.016); and being 12 to 36 months post-diagnosis (p=0.017). In the hierarchical regression, race contributed the greatest unique variance to benefit finding (23%), followed by time from diagnosis (18%), and age (14%). Adjusting for covariates, CAM use uniquely accounted for 13% of the variance in benefit finding. Individuals using energy healing and healing arts reported significantly more benefit than nonusers. Special diet, herbal remedies, vitamin use, and massage saw a smaller increase in benefit finding, while acupuncture, chiropractic, homeopathy, relaxation, yoga, and tai chi were not significantly associated with benefit finding. CONCLUSIONS: Patients who used CAM following a cancer diagnosis reported higher levels of benefit finding than those who did not. More research is required to evaluate the causal relationship between CAM use, benefit finding, and better psychosocial well-being.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 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 ».