Prevalence and Factors Associated With Cancer‐Related Fatigue Among Children and Adolescents Undergoing Cancer Treatment: A Systematic Review and Meta‐Analysis
Notice bibliographique
Résumé
BACKGROUND: The literature on fatigue in children and adolescents undergoing cancer treatment is highly variable, creating uncertainties about its prevalence and identifying those at higher risk. OBJECTIVES: The primary purpose was to describe the prevalence of fatigue among patients (< 21 years) undergoing cancer treatment across cancer types. Secondary outcomes included the prevalence of severe fatigue and factors associated with fatigue. METHODS: Systematic searches of MEDLINE, Embase, Cochrane Central Register of Controlled Trials, CINAHL, and PsycINFO were conducted from inception to May 22, 2023. Two reviewers independently identified relevant citations and extracted data. Pooled prevalence estimates were derived using an inverse variance, random-effects model. We used Joanna Briggs's critical appraisal checklist to assess study quality. (PROSPERO: CRD42020179307). RESULTS: 98%; 8 studies; 1027 patients]). Subgroup analyses based on cancer type, study design, fatigue scale, fatigue reporting personnel, sample frame, and response rate did not reveal significant differences in fatigue prevalence. Fatigue prevalence significantly differed by treatment setting (inpatient [83%] vs. outpatient [55%] vs. inpatient and outpatient [69%]; p: 0.02). Due to considerable heterogeneity among studies, data on fatigue-associated factors are presented descriptively. CONCLUSIONS: The prevalence of fatigue among children and adolescents undergoing cancer treatment is variable but notably high. Systematic evaluation of factors associated with fatigue is essential to understanding which children are at high risk of developing fatigue. TRIAL REGISTRATION: PROSPERO: CRD42020179307.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».