Prevalence and characterization of breakthrough pain in patients with cancer in Spain: the CARPE-DIO study
Notice bibliographique
Résumé
We aimed to evaluate the prevalence, characteristics and impact of breakthrough pain (BTP) in patients with cancer attending the main specialties involved in the diagnosis and management of BTP in Spain using a multicenter, observational, cross-sectional, multidisciplinary study. Investigators had to record all patients seen at the clinic during 1 month, determine whether the patients had cancer pain, and apply the Davies algorithm to ascertain whether the patients were suffering from BTP. Of the 3,765 patients with cancer, 1,117 (30%) had cancer-related pain, and of these patients, 539 had BTP (48%, 95%CI:45-51). The highest prevalence was found in patients from palliative care (61%, 95%CI:54-68), and the lowest was found in those from hematology (25%, 95%CI:20-31). Prevalence varied also according to sex and type of tumor. According to the Alberta Breakthrough Pain Assessment Tool duration, timing, frequency, location, severity, quality, causes, and predictability of the BTP varied greatly among these patients. BTP was moderate (Brief Pain Inventory [BPI]-severity median score = 5.3), and pain interference was moderate (BPI-interference median score = 6.1) with a greater interference with normal work, general activity, and enjoyment of life. Patients with BTP showed a mean ± standard deviation score of 28.5 ± 8.0 and 36.9 ± 9.5 in the physical and mental component, respectively, of the SF-12 questionnaire. In conclusion, prevalence of BTP among patients exhibiting cancer-related pain is high. Clinical presentation is heterogeneous, and therefore, BTP cannot be considered as a single entity. However, uniformly BTP has an important impact on a patient's functionality, which supports the need for early detection and treatment.
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 | 0,002 | 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 ».