Describing taste changes and their potential impacts on paediatric patients receiving cancer treatments
Notice bibliographique
Résumé
OBJECTIVES: Taste changes are common among paediatric patients receiving cancer treatments although specific descriptions and associations are uncertain. Primary objective was to describe the number of paediatric patients receiving cancer therapies who experienced taste changes, its impact on food intake and enjoyment of eating, and coping strategies. METHODS: This was a cross-sectional study that included English-speaking paediatric patients aged 4-18 years with a diagnosis of cancer or haematopoietic stem cell transplantation recipients receiving active treatment. Using a structured interview, we asked participants about their experience with taste changes, impacts and coping strategies. The respondent was the paediatric patient. RESULTS: We enrolled 108 patients; median age was 11 years (IQR 8-15). The taste changes reported yesterday or today were food tasting bland (34%), bad (31%), different (27%), bitter (25%), extreme (19%), metallic (15%) or sour (12%). Taste changes were associated with decreased food intake (31%) and decreased enjoyment in eating (25%) yesterday or today. The most common coping strategies were eating food they liked (42%), eating strong-tasting food (39%), drinking liquids (35%), brushing teeth (31%) and sucking on candy (25%). Factors significantly associated with food tasting bad were as follows: older age (p=0.003), shorter time since cancer diagnosis (p=0.027), nausea and vomiting (p=0.008) and mucositis (p=0.009). CONCLUSIONS: Among paediatric patients receiving cancer treatments, taste changes were common and were associated with decreased food intake and enjoyment in eating. Common coping strategies were described. Reducing nausea, vomiting and mucositis may improve taste changes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».