Gaps in Depression Symptom Management for Patients With Head and Neck Cancer
Notice bibliographique
Résumé
OBJECTIVE: To understand practice patterns and identify care gaps within a large-scale depression screening program for patients with head and neck cancer (HNC). STUDY DESIGN: Retrospective cohort study. METHODS: This was a population-based study of adults diagnosed with a HNC between January 2007 and October 2020. Each patient was observed from time of first symptom assessment until end of study date, or death. The exposure of interest was a positive depressive symptom screen on the Edmonton Symptom Assessment System (ESAS). Outcomes of interest included psychiatry/psychology assessment, social work referral, or palliative care assessment. Cause specific hazard models with a time-varying exposure were used to investigate the exposure-outcome relationships. RESULTS: Of 14,054 patients with HNC, 9016 (64.2%) reported depressive symptoms on at least one ESAS assessment. Within 60 days of first reporting depressive symptoms, 223 (2.7%) received a psychiatry assessment, 646 (7.9%) a social work referral, and 1131 (13.9%) a palliative care assessment. Rates of psychiatry/psychology assessment (HR 3.15 [95% CI 2.67-3.72]), social work referral (HR 1.83 [95% CI 1.64-2.02]), and palliative care assessment (HR 2.34 [95% CI 2.19-2.50]) were higher for those screening positive for depression. Certain patient populations were less likely to receive an assessment including the elderly, rural residents, and those without a prior psychiatric history. CONCLUSION: A high proportion of head and neck patients report depressive symptoms, though this triggers a referral in a small number of cases. These data highlight areas for improvement in depression screening care pathways. LEVEL OF EVIDENCE: 3 Laryngoscope, 133:2638-2646, 2023.
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 | 0,000 |
| 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 ».