Proceedings of the 4th Annual PROMIS® Health Organization Conference: Global Advances in Methodology and Clinical Science
Notice bibliographique
Résumé
O001 ObjectiveCaregiving for children affects caregivers' lives in many significant ways.Stress of caregivers is understudied and under-reported.The objective was to examine how taking care of a child (<18 years old) affects health of caregivers with mostly typically developing children versus children with a medical condition as a first step toward developing a screener to identify caregivers who need additional supports.Methods Caregivers responded to PROMIS-29 and the University of Washington Caregiver Stress Scale (UW-CSS), a self-reported IRT-based item bank.For all scales, the general population score is 50.The samples included a community sample, and caregivers of children with Epileptic Encephalopathies (i.e., severe epilepsy), Muscular Dystrophy (MD) and Down Syndrome (DS).The clinical populations were selected because they represent different types of caregiving stress (e.g., mostly cognitive or physical challenges, or both).The mean scores were compared between the general population and clinical populations using t-tests. ResultsData from a total of 722 caregivers were used; community sample (n=322), DS (n=143), MD (n=129), and epilepsy (n=128).Average age of caregivers was 42 years (SD=9), 83% were female, 82% were white, 73% were married, 17% had high school education or less, 41% were employed full time, and 90% were biological parents.The average child age was 9 years (SD=5).The same pattern emerged across different health domains, including caregiver stress, with the community sample caregivers reporting better health and less stress than any of the clinical samples.The worst caregiver stress was reported by caregivers of children with epilepsy (M=63).Compared to the community sample, PROMIS scores were substantially worse (> 5 points) for anxiety and fatigue (epilepsy, DS, MD), sleep (epilepsy), social (epilepsy) and depression (epilepsy and MD).Conclusions Compared to the community sample, caregivers of children with medical conditions report considerably worse health.
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 | 0,144 | 0,176 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,013 |
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 ».