Identification of Patient-Reported Outcome Phenotypes Among Oncology Patients With Palliative Care Needs
Notice bibliographique
Résumé
PURPOSE: Despite evidence-based guidelines recommending early palliative care, it remains unclear how to identify and refer oncology patients, particularly in settings with constrained access to palliative care. We hypothesize that patient-reported outcome (PRO) data can be used to characterize patients with palliative care needs. To determine if PRO data can identify latent phenotypes that characterize indications for specialty palliative care referral. METHODS: We conducted a retrospective study of self-reported symptoms on the Edmonton Symptom Assessment System collected from solid tumor oncology patients (n = 745) referred to outpatient palliative care. Data were collected as part of routine clinical care from October 2012 to March 2018 at eight community and academic sites. We applied latent profile analysis to identify PRO phenotypes and examined the association of phenotypes with clinical and demographic characteristics using multinomial logistic regression. RESULTS: We identified four PRO phenotypes: (1) Low Symptoms (n = 295, 39.6%), (2) Moderate Pain/Fatigue + Mood (n = 180, 24.2%), (3) Moderate Pain/Fatigue + Appetite + Dyspnea (n = 201, 27.0%), and (4) High Symptoms (n = 69, 9.3%). In a secondary analysis of 421 patients, we found that two brief items assessing social and existential needs aligned with higher severity symptom and psychological distress phenotypes. CONCLUSION: Oncology patients referred to outpatient palliative care in a real-world setting can be differentiated into clinically meaningful phenotypes using brief, routinely collected PRO measures. Latent modeling provides a mechanism to use patient-reported data on a population level to identify distinct subgroups of patients with unmet palliative 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 | 0,005 |
| 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 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 ».