Feasibility and Acceptability of a Virtual “Coping with Brain Fog” Intervention for Improving Cognitive Functioning in Young Adults with Cancer
Notice bibliographique
Résumé
Purpose:Cancer-related cognitive deficits (CRCDs) are common among young adults (YAs) (ages: 18–39) with cancer and can be debilitating. We aimed to determine the feasibility and acceptability of a virtual Coping with Brain Fog intervention among YAs with cancer. Our secondary aims were to explore the intervention's effect on cognitive functioning and psychological distress. Methods:This prospective feasibility study involved eight weekly, 90-minute virtual group sessions. Sessions focused on psychoeducation on CRCD, memory skills, task management, and psychological well-being. The primary outcomes were feasibility and acceptability of the intervention evaluated through attendance (>60% not missing >2 consecutive sessions) and satisfaction (Client Satisfaction Questionnaire [CSQ] score >20). Secondary outcomes included the following: cognitive functioning (Functional Assessment of Cancer Therapy-Cognitive Function [FACT-Cog] Scale) and symptoms of distress (Patient-Reported Outcomes Measurement Information System [PROMIS] Short Form–Anxiety/Depression/Fatigue) and participants' experiences using semistructured interviews. Paired t-tests and summative content analysis were used for quantitative and qualitative data analyses. Results:Twelve participants (five male, mean age = 33 years) were enrolled. All but one participant met feasibility criteria of not missing >2 consecutive sessions (11/12 = 92%). The mean CSQ score was 28.1 (standard deviation 2.5). Significant improvement in cognitive function as measured by FACT-Cog Scale was observed postintervention (p < 0.05). Ten participants adopted strategies from the program to combat CRCD, and eight reported CRCD symptom improvement. Conclusion:A virtual Coping with Brain Fog intervention is feasible and acceptable for the symptoms of CRCD among YAs with cancer. The exploratory data indicate subjective improvement in cognitive function, and will inform the design and implementation of a future clinical trial.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».