Abstract C003: Sociodemographic and clinical characteristics associated with worst pain intensity among cancer patients
Notice bibliographique
Résumé
Abstract Introduction: Approximately 70% of individuals living with cancer experience persistent pain. Previous studies showed racial/ethnic differences existing across various cancer-related outcomes. Yet, few studies have examined the racial/ethnic differences in worst pain intensity among cancer patients. Thus, the goal of this secondary data analysis was to identify predictors of worst pain intensity, including race/ethnicity, and cancer stage in a diverse sample. Methodology: A convenience sample of cancer patients (N=1,516) recruited from cancer centers in the Western and Midwestern United States completed questionnaires collecting demographic, chronic pain, and cancer-specific information. In addition to race and ethnicity, covariates for the linear regression included: other demographic characteristics, tumor stage, cancer type, cancer stage, and substance use. The study outcome, worst pain intensity, was measured on 0 (no pain) to 10 (worst pain) scale and was captured using a validated modified McGill Pain Questionnaire (PAINReportIt). A multinomial generalized linear regression model was utilized to determine associations between selected predictors and pain intensity. Statistical significance was considered at p< .05. Results: Our study sample was predominantly White (65.0%), Black (24.1%), and Other (10.9%). On average, participants were 58.9 (SD=14.1) years old. Additionally, participants reported a 5.9 (SD=3.0) worst pain intensity score. Selected significant covariates: being non-Hispanic Black (β=0.67; P= 0.002), belonging to an Other racial group (β= 1.04; P= 0.0004), earning less than $10,000 annually (β=0.77; P= 0.0151), earning between $10,000 - $50,000 annually (β= 0.85; P= 0.0038), having toothache pain (β=0.12; P= 0.0004), and having stage 4 cancer (β=0.82; P= 0.0007) were positively associated with worse cancer pain. Conclusion: Our analysis suggests that being non-Hispanic Black, a member of an other racial group, low socioeconomic status, having had toothache pain, and having advanced stage cancer are significant predictors of worst pain intensity among cancer patients. Future studies focused on the management of cancer-related pain should target under-resourced individuals and those with advanced cancer for pain prevention strategies to prevent the escalation of pain intensity. Additionally, future studies should continue to oversample underrepresented Black populations in order to continue assessing disparities in clinical cancer outcomes. Citation Format: Verlin Joseph, Keesha Roach, Staja Booker, Jinhai Huo, Yingwei Yao, Xinguang Chen, Robert L Cook, Diana J Wilkie. Sociodemographic and clinical characteristics associated with worst pain intensity among cancer patients [abstract]. In: Proceedings of the Twelfth AACR Conference on the Science of Cancer Health Disparities in Racial/Ethnic Minorities and the Medically Underserved; 2019 Sep 20-23; San Francisco, CA. Philadelphia (PA): AACR; Cancer Epidemiol Biomarkers Prev 2020;29(6 Suppl_2):Abstract nr C003.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».