SMART-ESAS: Smartphone Monitoring and Assessment in Real Time of Edmonton Symptom Assessment System Scores for Patients With Cancer
Notice bibliographique
Résumé
PURPOSE Serial patient-reported outcome (PRO) measurements in clinical practice are associated with a better quality of life and survival. Recording electronic PROs using smartphones is an efficient way to implement this. We aimed to assess the feasibility of the electronically filled Edmonton Symptom Assessment System (e-ESAS) scale in the lower-middle–income country (LMIC) setting. METHODS Baseline clinical features and conventional paper-based ESAS (p-ESAS) were collected in newly diagnosed patients with solid organ tumors. Text message link was sent to these patients for filling e-ESAS. ESAS was categorized into physical, psychological, and total symptom domains. Scores were divided into none to mild (0-3) and moderate to severe (4-10). Intraclass correlation coefficients (ICCs) were used to determine the correlation between p-ESAS and e-ESAS. Multivariable logistic regression was used to identify independent factors affecting symptom burden. RESULTS Of 1,160 participants who filled out p-ESAS, 595 completed both e-ESAS and p-ESAS questionnaires and were included in the final analysis. Moderate to severe physical, psychological, and total symptom scores were seen in 39.8%, 40%, and 39% of participants. Tiredness and anxiety were the most common physical and psychological symptoms, respectively. ICCs between the p-ESAS and e-ESAS varied between 0.75 and 0.9. Total symptom scores were independently predicted by metastatic disease (odds ratio [OR], 1.83; 95% CI, 1.26 to 2.67; P = .001) and a higher level of education (OR, 0.42; 95% CI, 0.25 to 0.72; P = .001). CONCLUSION Paper-based and electronically filled ESASs have good intraobserver reliability across individual symptoms and domain scores in a representative cohort at a tertiary care institute in the LMIC. This may help us incorporate e-ESAS in routine clinical care in the real-world setting with financial, infrastructural, and manpower limitations.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 | 0,001 |
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 ».