Beyond using composite measures to analyze the effect of unmet supportive care needs on caregivers' anxiety and depression
Notice bibliographique
Résumé
OBJECTIVE: Caregiver research has relied on composite measures (eg, count) of unmet supportive care needs to determine relationships with anxiety and depression. Such composite measures assume that all unmet needs have a similar impact on outcomes. The purpose of this study is to identify individual unmet needs most associated with caregivers' anxiety and depression. METHODS: Two hundred nineteen caregivers completed the 44-item Supportive Care Needs Survey and the Hospital Anxiety and Depression Scale (minimal clinically important difference = 1.5) at 6 to 8 months and 1, 2, 3.5, and 5 years following the patients' cancer diagnosis. The list of needs was reduced using partial least square regression, and those with a variance importance in projection >1 were analyzed using Bayesian model averaging. RESULTS: Across time, 8 items remained in the top 10 based on prevalence and were labelled "core." Three additional ones were labelled "frequent," as they remained in the top 10 from 1 year onwards. Bayesian model averaging identified a maximum of 3 significant unmet needs per time point-all leading to a difference greater than the minimal clinically important difference. For depression, none of the core unmet needs were significant, rather significance was noted for frequent needs and needs that were not prevalent. For anxiety, 3/8 core and 3/3 frequent unmet needs were significant. CONCLUSIONS: Those unmet needs that are most prevalent are not necessarily the most significant ones, and findings provide an evidence-based framework to guide the development of caregiver interventions. A broader contribution is proposing a different approach to identify significant unmet needs.
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 ».