Factors Associated with Early Referral to Palliative Care in Outpatients with Advanced Cancer
Notice bibliographique
Résumé
BACKGROUND: Although timely palliative care is recommended for patients with advanced cancer, referrals to palliative care services are often late. OBJECTIVES: To identify factors associated with early referral to an oncology palliative care clinic and to describe symptom severity according to timing of referral. DESIGN: We conducted a retrospective review of 337 patients with advanced cancer referred to outpatient palliative care at a comprehensive cancer center. We gathered data related to patient demographics, diagnosis, and referral. Timing of referral was categorized as early (>12 months before death), intermediate (6-12 months before death), or late (<6 months before death). Ordinal logistic regression was used to determine factors related to referral timing, and the Kruskal-Wallis test to determine symptom severity in each referral timing category. RESULTS: Of the 337 patients, 232 (69%) referrals were late, 60 (18%) intermediate, and 45 (13%) early. On multivariable analysis, earlier referral was associated with earlier primary cancer diagnosis (p = 0.004), and referral for pain and symptom management (p = 0.001). Patients who were referred late had worse overall Edmonton Symptom Assessment System distress scores, as well as worse tiredness, nausea, drowsiness, appetite, and wellbeing (all p ≤ 0.001). Severity of pain, shortness of breath, anxiety, and depression did not differ based on time of referral. CONCLUSIONS: A longer disease course and referral for symptom management were associated with earlier referral, whereas overall symptom burden was higher for late referrals. Further research is required on combining symptom screening with timely referral to improve symptom management in advanced cancer.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».