Challenges in Treating Cancer Patients With Unstable Psychiatric Disorder
Notice bibliographique
Résumé
In this review, we first present a case of chronic myeloid leukemia with acute psychosis, and then we will discuss the incidence of cancer in patients with psychotic disorders, the manifestations of new-onset psychosis, and the prevalence of preexisting psychosis in cancer patients, coupled with their impact on the treatment, diagnosis, and prognosis of cancer. This was a case that presented with acute psychosis and was found to have an elevated white blood cell count upon admission to an inpatient psychiatric unit. He was diagnosed with chronic myeloid leukemia and successfully managed with imatinib/dasatinib therapy. Psychiatrically, he was stabilized on two long-acting injectable medications to help maintain adherence. We were able to eliminate his active psychotic symptoms and return him to normal functioning in affect and thinking, achieving sustained compliance with treatment. We identified multiple inconsistencies in screening for cancer of all types in these patients, masking of signs and symptoms that would typically clue physicians to the presence of cancers, underreporting of symptoms, and disparate access to healthcare resources in patients with mental disorders when compared to the general population. Treatment of cancer in these patients as compared to the general population has also been shown to be incongruent, which will be elaborated upon. Psychiatric interventions, as well as supportive measures, for treating patients who are facing challenges during active cancer treatment will be discussed.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».