Psychoneurological Symptoms and Biomarkers of Stress and Inflammation in Newly Diagnosed Head and Neck Cancer Patients: A Network Analysis
Notice bibliographique
Résumé
Psychoneurological symptoms are commonly reported by newly diagnosed head and neck cancer (HNC) patients, yet there is limited research on the associations of these symptoms with biomarkers of stress and inflammation. In this article, pre-treatment data of a multi-center cohort of HNC patients were analyzed using a network analysis to examine connections between symptoms (poor sleep quality, anxiety, depression, fatigue, and oral pain), biomarkers of stress (diurnal cortisol slope), inflammation markers (c-reactive protein [CRP], interleukin [IL]-6, IL-10, and tumor necrosis factor alpha [TNF-α]), and covariates (age and body mass index [BMI]). Three centrality indices were calculated: degree (number of connections), closeness (proximity of a variable to other variables), and betweenness (based on the number of times a variable is located on the shortest path between any pair of other variables). In a sample of 264 patients, poor sleep quality and fatigue had the highest degree index; fatigue and CRP had the highest closeness index; and IL-6 had the highest betweenness index. The model yielded two clusters: a symptoms-cortisol slope-CRP cluster and a IL-6-IL-10-TNF-α-age-BMI cluster. Both clusters were connected most prominently via IL-6. Our findings provide evidence that poor sleep quality, fatigue, CRP, and IL-6 play an important role in the interconnections between psychoneurological symptoms and biomarkers of stress and inflammation in newly diagnosed HNC patients.
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) | 0,000 | 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 | 0,000 |
| 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 ».