Relationship between demoralization and quality of life in end‐of‐life cancer patients
Notice bibliographique
Résumé
OBJECTIVE: To examine the relationship between demoralization and health-related quality of life (HRQoL) in a sample of end-of-life cancer patients with a life expectancy of 4 months or less undergoing palliative care, controlling for sociodemographic, clinical, and psychological variables. METHODS: Sociodemographic, clinical, and psychological data from 170 end-of-life cancer patients were collected using the following scales: Edmonton Symptom Assessment System for palliative care patients' symptoms; Patient Health Questionnaire-9 (PHQ-9) for depressive symptoms; Functional Assessment of Cancer Therapy Scale - General Measure (FACT-G) for HRQoL; Functional Assessment of Chronic Illness Therapy - Spiritual Well-Being for spirituality (FACIT-Sp); Demoralization Scale - Italian Version (DS-IT) for demoralization. RESULTS: The DS-IT showed that 51.8% of cancer patients were severely demoralized. In addition, 36.5% of the sample had clinically significant depressive symptoms and QoL was severely impaired (FACT-G). The result of regression analysis showed that demoralization (especially "Disheartenment" and "Sense of failure") was the strongest contributor for HRQoL, followed by ESAS_Lack of Well-Being and depression (PHQ-9), with the final model explaining 66% of the variance of the FACT-G. CONCLUSIONS: The results highlight a very high prevalence of severe demoralization in end-of life cancer patients. Moreover, demoralization was not only associated with patients' HRQoL, but it was also the most important contributing factor. This finding underscores the need to identify preventive or therapeutic psychological interventions that focus on preventing existential distress, and thus improve the QoL of dying patients in their last days of life.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».