Examining Predictors of Fear of Cancer Recurrence Using Leventhal’s Commonsense Model
Notice bibliographique
Résumé
BACKGROUND: Fear of cancer recurrence (FCR) is a common concern for survivors. Oncology nurses have a unique opportunity to identify survivors at increased risk of heightened FCR. Understanding predictors of FCR would be useful for this purpose; however, results about FCR predictors are inconsistent. OBJECTIVE: To examine empirically inconsistent predictors of FCR as guided by Leventhal's Commonsense Model. METHODS: A cross-sectional survey design was used to assess FCR, sociodemographic and clinical characteristics, and characteristics of the self (self-esteem and generalized expectancies) among cancer survivors. Structural equation modeling was used to examine predictors of FCR. RESULTS: Among 1001 participants, the mean time since diagnosis was 9.07 years, and most were diagnosed with breast cancer (65.93%). The strongest predictor of higher FCR was belief that knowing someone with a recurrence affects one's own level of FCR, although knowing someone with a recurrence actually predicted lower FCR. Other significant predictors of higher FCR were having 1 or more symptoms attributed to cancer, lower self-esteem, younger age, female gender, lower pessimism, longer time since diagnosis, and active follow-up at the survivorship clinic. CONCLUSION: Cancer survivors' perceptions are among an important series of variables that may predict higher levels of FCR. Oncology nurses are uniquely situated to identify the subset of cancer survivors with levels of FCR requiring professional intervention. IMPLICATIONS FOR PRACTICE: Oncology nurses can use the predictors indicated in this study to identify survivors with greatest need for coping with FCR to facilitate expedient intervention and/or referral to psychosocial providers.
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 ».