Re-analysis of symptom clusters in advanced cancer patients attending a palliative outpatient radiotherapy clinic
Notice bibliographique
Résumé
BACKGROUND: Cancer patients often present with several concurrent symptoms. There is evidence to suggest that related symptoms can cluster together in stable groups. The present study sought to identify symptom clusters in advanced cancer patients using the Edmonton Symptom Assessment System (ESAS) in a palliative outpatient radiotherapy clinic. METHODS: Principal component analysis (PCA), exploratory factor analysis (EFA), and hierarchical cluster analysis (HCA) were used to identify symptom clusters among the 9 ESAS items using ESAS scores from each patient's first visit. RESULTS: PCA identified three symptom clusters (cluster 1: depression, anxiety; cluster 2: nausea, dyspnea, loss of appetite; cluster 3: pain, well-being, tiredness, drowsiness). EFA identified two clusters (cluster 1: tiredness, drowsiness, loss of appetite, well-being, pain, nausea, dyspnea; cluster 2: depression, anxiety). HCA identified three symptom clusters (cluster 1: depression, anxiety, pain, well-being; cluster 2: tiredness, drowsiness, dyspnea; cluster 3: nausea, loss of appetite). CONCLUSIONS: Symptom clusters were identified using three analytical methods. The following items were always in the same cluster: depression and anxiety; nausea and appetite loss; well-being and pain; tiredness and drowsiness. Further research in symptom clusters is necessary to advance our understanding of the complex symptom interactions in advanced cancer patients and to determine the most clinically relevant symptom clusters.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».