Biometrics and quality of life of lymphoma patients: A longitudinal <scp>mixed‐model</scp> approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Knowledge Engineering has become essential in the fields of Medical and Health Care with emphasis for helping citizens to improve their health and quality of life. This includes individual methods and techniques in health‐related knowledge acquisition and representation and their application in the construction of intelligent systems capable of using the acquired information to improve the patients' health and/or quality of life. Haemato‐oncological diseases can provide significant disability and suffering, with severe symptoms and psychological distress. They can create difficulties in fulfilling professional, family and social roles, affecting an individual's quality of life. Health related quality of life (HRQoL) is a subjective concept but there is also an objective component related to physiological indicators. Some of these physiological indicators can be easily assessed by wearable technology such heart rate variability (HRV). This paper introduces an intelligent system to assess, in real‐time, potential HRV indices, that can predict HRQoL in lymphoma patients throughout chemotherapy treatment and to account the individuals' variability. The system is based on wearable technology and intelligent processing of the patients' biometric information to assess some quality of life related parameters. A longitudinal study was conducted among 16 lymphoma patients using this intelligent system. Mixed‐effect regression models were performed to investigate predictors for and time effects on HRQoL. There were no significant changes in all HRQoL domains over time. Some quality of life domains revealed similar time trends as HRV indices. These HRV indices also have a significant effect on the domains of quality of life.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 découle