Acupuncture for Hot Flashes in Cancer Patients: Clinical Characteristics and Traditional Chinese Medicine Diagnosis as Predictors of Treatment Response
Notice bibliographique
Résumé
BACKGROUND: Acupuncture is a recognized integrative modality for managing hot flashes. However, data regarding predictors for response to acupuncture in cancer patients experiencing hot flashes are limited. We explored associations between patient characteristics, including traditional Chinese medicine (TCM) diagnosis, and treatment response among cancer patients who received acupuncture for management of hot flashes. METHODS: We reviewed acupuncture records of cancer outpatients with the primary reason for referral listed as hot flashes who were treated from March 2016 to April 2018. Treatment response was assessed using the hot flashes score within a modified Edmonton Symptom Assessment Scale (0-10 scale) administered immediately before and after each acupuncture treatment. Correlations between TCM diagnosis, individual patient characteristics, and treatment response were analyzed. RESULTS: The final analysis included 558 acupuncture records (151 patients). The majority of patients were female (90%), and 66% had breast cancer. The median treatment response was a 25% reduction in the hot flashes score. The most frequent TCM diagnosis was qi stagnation (80%) followed by blood stagnation (57%). Older age ( P = .018), patient self-reported anxiety level ( P = .056), and presence of damp accumulation in TCM diagnosis ( P = .047) were correlated with greater hot flashes score reduction. CONCLUSIONS: TCM diagnosis and other patient characteristics were predictors of treatment response to acupuncture for hot flashes in cancer patients. Future research is needed to further explore predictors that could help tailor acupuncture treatments for these patients.
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 | 0,000 | 0,000 |
| 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 ».