Sleep–wake difficulties in community-dwelling cancer patients receiving palliative care: subjective and objective assessment
Notice bibliographique
Résumé
OBJECTIVE: Prevalence rates of sleep difficulties in advanced cancer patients have varied widely across studies (12 to 96%), and none of these employed a diagnostic interview to distinguish different types of sleep-wake disorders. Moreover, very limited information is available on subjective and objective sleep parameters in this population. Our study was conducted in palliative cancer patients and aimed to assess rates of sleep-wake disorders and subsyndromal symptoms and to document subjective and objective sleep-wake parameters across various types of sleep-wake difficulties. METHOD: The sample was composed of 51 community-dwelling cancer patients receiving palliative care and having an Eastern Cooperative Oncology Group score of 2 or 3. Relevant sections of the Duke Interview for Sleep Disorders were administered over the phone. An actigraphic recording and a daily sleep diary were completed for 7 consecutive days. RESULTS: Overall, 68.6% of the sample had at least one type of sleep-wake difficulty (disorder or symptoms): 31.4% had insomnia and 29.4% had hypersomnolence as their main sleep-wake problem. Participants with insomnia as their main sleep difficulty had greater disruptions of subjective sleep parameters, while objectively-assessed sleep was more disrupted in patients with hypersomnolence comorbid with another sleep-wake difficulty.Significance of the Results:The high rates of sleep-wake difficulties found in this study indicate a need to screen more systematically for sleep-wake disorders, including insomnia and hypersomnolence, in both palliative care research and clinical practice, and to develop effective nonpharmacological interventions specifically adapted to this population.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».