Functional, work-related rehabilitative programming for cancer survivors experiencing cancer-related fatigue
Notice bibliographique
Résumé
Introduction Cancer-related fatigue negatively impacts 50–90% of cancer survivors. In North America, approximately 50% of return-to-work interventions initially fail for survivors, with cancer-related fatigue often cited as a barrier to workability. Occupational therapy-driven cancer-related fatigue work-related programming for survivors is sparse, despite many published reviews calling for interdisciplinary interventions; to address work-related performance, specific functional interventions are likely to be needed. Further exploration and a broader understanding of survivors’ cancer-related fatigue management, participation in rehabilitative programmes, and plans for return to work are necessary to target survivor needs better. Method Drawing on social theory, this exploratory descriptive study utilised content and thematic analysis of interviews from 12 survivors to explore and describe the perspectives of survivors experiencing cancer-related fatigue yet desiring to work. Results Content analysis reflected distinct differences in fatigue-related terminology. Thematic analysis identified three themes specific to cancer-related fatigue and workability: valuing physical wellness, perceived cognitive impacts of cancer-related fatigue on function and workability, and the lack of transition from physical exercise to functional work-related activities. Conclusion Survivors identified gaps in care related to managing cognitive symptoms and the need for functional, work-related interventions to manage cancer-related fatigue. With their expertise in function, occupational therapists are well positioned to facilitate work-specific interventions, within cancer-specific exercise programming.
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 | 0,001 |
| 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) | 0,001 | 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 ».