Identification of Distinct Profiles of Cancer-Related Fatigue and Associated Risk Factors for Breast Cancer Patients Undergoing Chemotherapy
Notice bibliographique
Résumé
BACKGROUND: Cancer-related fatigue is a complex, multidimensional, subjective experience that affects patients physically, emotionally, and mentally. The interindividual variability in symptoms of cancer-related fatigue merits further exploration. OBJECTIVE: Our objective was to identify distinct profiles of cancer-related fatigue experienced by breast cancer patients undergoing chemotherapy and to evaluate how subgroups vary demographically in clinical characteristics and in modifiable factors such as physical activity, sleep quality, and exercise self-efficacy. METHODS: Fatigue was assessed with the Chinese Cancer-Related Fatigue Scale, and a latent class analysis was performed to identify subgroups of patients with distinct fatigue profiles. RESULTS: A total of 427 breast cancer patients were included in the data analyses. Five different fatigue profiles were identified: all low-risk fatigue, all high-risk fatigue, high-risk physical fatigue, high-risk emotional fatigue, and high-risk mental fatigue. Patients in different subgroups were characterized by different risk factors. For example, patients in the high-risk emotional fatigue group had less education, lower monthly household incomes, lower exercise self-efficacy scores, less sedentary behavior, poorer sleep, and poorer quality-of-life outcomes compared with those in the all low-risk fatigue group. CONCLUSION: These findings reveal that breast cancer patients undergoing chemotherapy show significant heterogeneity in their experience of cancer-related fatigue. IMPLICATIONS FOR PRACTICE: Characteristics associated with different fatigue profiles, in particular the high-risk profiles, can be used by clinicians to target patients at greater risk of poorer symptom and quality-of-life outcomes to provide interventions tailored to their different needs.
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 ».