The prevalence and intensity of late effects in patients with testicular germ cell tumors: A first step of instrument development using a stepwise approach
Notice bibliographique
Résumé
PURPOSE: Patients with Testicular Germ Cell Tumors (TGCT) may suffer from several late effects due to their diagnosis or treatment. Follow-up care aims to identify the recurrence of cancer and support patients with TGCT in their experienced late effects. In the Netherlands, the validated Dutch version of the Edmonton Symptom Assessment System, Utrecht Symptom Diary (USD) is used to assess and monitor patient reported symptoms. As a first step to develop a specific USD module for TGCT-patients, it was necessary to identify the prevalence and intensity of late effects in patients with TGCT, covering the physical, social, psychical and existential domains of care. METHODS: A cross-sectional study was conducted. First, literature was systematically assessed to create a comprehensive list of symptoms. This generated list was reviewed by expert healthcare professionals and the research group. Lastly, a survey was distributed amongst patients with TGCT in follow-up care in the University Medical Center Utrecht (UMCU) outpatient clinic. RESULTS: In total, 65 TGCT-patients completed the survey. All described late effects were recognized by TGCT-patients, with 'fatigue', 'disturbed overall well-being', 'concentration problems' and 'neuropathy', indicated as most prevalent and scored with highest intensity. When prioritizing these late effects, patients assigned 'neuropathy' as most important. CONCLUSIONS: This study provided insight into prevalence and intensity of late effects, as indicated by TGCT-patients. In clinical practice, follow-up care can improve by empowering patients to discuss important items in daily life with their health-care professionals.
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 | 0,001 | 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 ».