The impact of chronic comorbidities at the time of breast cancer diagnosis on quality of life, and emotional health following treatment in Canada
Notice bibliographique
Résumé
INTRODUCTION: Advances in breast cancer screening and treatment have led to an increasing number of breast cancer survivors. The objective of this study was to determine the impact of comorbidities on self-reported quality of life (QOL) and emotional health following a breast cancer diagnosis and treatment. METHODS: Women with a personal history of breast cancer (N = 3,372) were identified from the cross-sectional Canadian Partnership Against Cancer (CPAC) Experiences of Cancer Patients in Transitions Survey. Multinomial (nominal) logistic regression was used to estimate odds ratios (OR) and 95% confidence intervals (CI) for the relationship between burden of comorbidities and overall QOL and emotional health (very poor/poor, fair, good, very good). RESULTS: Of the 3,372 participants, 57% reported at least one chronic condition at the time of breast cancer diagnosis. As the number of chronic conditions at diagnosis increased, the odds of reporting worse quality of life and emotional health following treatment also increased. Specifically, compared to women reporting very good QOL, for each additional chronic condition, women reported significantly higher odds of reporting good (OR = 1.22, 95% CI: 1.12, 1.32), fair (OR = 1.76, 95% CI: 1.58, 1.96), or poor/very poor (OR = 2.31, 95% CI: 1.86, 2.88) QOL. Similarly, for each additional comorbidity, women reported significantly higher odds of reporting good (OR = 1.17, 95% CI: 1.07, 1.28), fair (OR = 1.63, 95% CI: 1.46, 1.82), or poor/very poor (OR = 2.17, 95% CI: 1.81, 2.60) emotional health, relative to very good emotional health. CONCLUSION: Breast cancer survivors coping with a high comorbidity burden experience worse overall QOL and emotional health following treatment. This highlights the importance of integrating information on comorbidities into survivorship care to improve the experience and overall outcomes of patients with complex 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 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».