Aggression Towards Caregivers in Parkinson's Disease and Related Disorders: A Mixed Methods Study
Notice bibliographique
Résumé
Background: Aggression is one manifestation of behavioral disturbances in neurodegenerative disease with emerging literature suggesting a high prevalence in Parkinson's disease and related disorders (PDRD). Objectives: Our aim was to describe characteristics, associated factors, and consequences of aggression towards caregivers in PDRD. Methods: This is a convergent mixed methods study, leveraging data from 296 PDRD patient-caregiver dyads in a clinical trial of palliative care and semi-structured interviews with a subgroup of 14 caregivers who reported aggression. The primary outcome was baseline caregiver-reported aggression. Using multivariate linear regression, baseline dyad characteristics (eg, measures of disease, psychosocial issues, caregiver strain) were examined to identify factors associated with aggression. Thematic analysis of interviews was used to augment these findings. Results: < 0.001). We identified five themes: (1) Aggressive behaviors range from verbal abuse to threats of physical violence; (2) Caregivers believe that aggressive behaviors result from the difficulty patients experience in coping with disease progression and related losses; (3) Caregivers' stress and mental health are worsened by aggressive behaviors; (4) Aggressive behaviors negatively affect patient-caregiver relationships; (5) Caregivers are ill-prepared to manage aggressive behaviors and cope with the consequences on their own. Conclusions: Aggression in PDRD is driven by diverse factors (eg, grief, fluctuations in cognition) with serious consequences for caregivers. Neurologists and movement specialists should consider screening for aggression while prioritizing caregiver education and wellbeing.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».