Prevalence of sleep disorders in patients with advanced cancer: a cross-sectional study
Notice bibliographique
Résumé
Background: Patients with advanced cancer are more susceptible to develop sleep disorders like insomnia, restlessness, hypersomnolence, and sleep apnea due to a series of stressful events and side effects of chemotherapeutic agents. Poor sleep quality is associated with bad cancer outcomes and substandard quality of life. The authors assessed the prevalence of sleep disorders among advanced cancer patients in a tertiary center in Nepal. Methods: Patients with stage three and four solid malignancies were enrolled from February 2023 to July 2023 to assess their sleep status. The data were collected using the Pittsburgh Sleep Quality Index (PSQI) questionnaire, analyzed using the Statistical Package for the Social Sciences (SPSS) version 27, and subgroup exploration was done to assess the relationship of poor sleep quality with gender, marital status, malignancy type, and treatment received. An ethical clearance was obtained from the Institutional Review Committee (IRC). Results: The authors evaluated data from 357 patients in the study. Of them, 58.3% were female and 41.7% were male. The mean age of the patients was 51.1 years. Among total cancer patients, 56% had significant sleep disorders. A significant association was observed between the quality of sleep and gender, type of malignancy, and treatment methods ( p value <0.05). A majority of the patients demonstrated increased sleep latency, struggling to fall asleep swiftly. Conclusions: More than half of the patients had poor sleep, which has an adverse impact on the prognosis of the disease and quality of life of cancer patients. Therefore, this aspect of cancer management requires special consideration for better quality of life and appropriate end-of-life care.
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 ».