Use of Medications for Treating Anxiety or Depression among Testicular Cancer Survivors: A Multi-Institutional Study
Notice bibliographique
Résumé
Abstract Background: This study examined sociodemographic factors, cisplatin-related adverse health outcomes (AHO), and cumulative burden of morbidity (CBMPt) scores associated with medication use for anxiety and/or depression in testicular cancer survivors (TCS). Methods: A total of 1,802 TCS who completed cisplatin-based chemotherapy ≥12 months previously completed questionnaires regarding sociodemographic features and cisplatin-related AHOs [hearing impairment, tinnitus, peripheral sensory neuropathy (PSN), and kidney disease]. A CBMPt score encompassed the number and severity of cisplatin-related AHOs. Multivariable logistic regression models assessed the relationship of individual AHOs and CBMPt with medication use for anxiety and/or depression. Results: A total of 151 TCS (8.4%) used medications for anxiety and/or depression. No cisplatin-related AHOs were reported by 511 (28.4%) participants, whereas 622 (34.5%), 334 (18.5%), 287 (15.9%), and 48 (2.7%), respectively, had very low, low, medium, and high CBMPt scores. In the multivariable model, higher CBMPt scores were significantly associated with medication use for anxiety and/or depression (P < 0.0001). In addition, tinnitus (P = 0.0009), PSN (P = 0.02), and having health insurance (P = 0.05) were significantly associated with greater use of these medications, whereas being employed (P = 0.0005) and vigorous physical activity (P = 0.01) were significantly associated with diminished use. Conclusions: TCS with higher CBMPt scores had a higher probability of using medications for anxiety and/or depression, and conversely, those who were employed and physically active tended to have reduced use of these medications. Impact: Healthcare providers should encourage TCS to increase physical activity to improve both physical and mental health. Rehabilitation programs should assess work-related skills and provide career development counseling/training.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».