Characterizing Difficulties and Management of Sleep Disturbances in a Tertiary Palliative Care Unit—A Retrospective Review
Notice bibliographique
Résumé
Objective: Difficulty sleeping is common in palliative care, however often unrecognized by palliative care physicians. This retrospective review aims to gain a better understanding of the causes and treatment of sleeping disturbances in a tertiary palliative care unit. Methods: This study included 200 palliative care inpatients admitted between January 1, 2015, and August 31, 2020. Patients with sleep disturbances were placed into 3 subgroups: insomnia, delirium, and those with an unclear diagnosis. These categories were analyzed by bivariate analysis (ANOVA, Kruskal-Wallis) to determine statistical significance. Results: A total of 156 (78%) patients had symptoms suggestive of sleep disturbance and 163 (81.5%) patients were prescribed a sedative for sleep disturbance. Most patients were prescribed lorazepam (52 [26%]), followed by haloperidol (47 [23.5%]), and zopiclone (33 [16.5%]). Benzodiazepine and zopiclone prescribing decreased over time, while antipsychotic prescribing remained stable. When analyzed according to the most likely cause of the sleep disturbance, patients with insomnia had a higher Palliative Performance Score ( P < .035) and were more likely to have a previous medical history of insomnia ( P < .0003) than those with delirium. Both insomnia and delirium were quickly diagnosed but patients with unclear sleep disturbances took longer to recognize and treat. Conclusion: These results suggest that sleep disturbances are common at the end of life and can be challenging to categorize. Using specific criteria may be helpful in differentiating insomnia versus delirium and ultimately lead to more consistent approaches to management.
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) | 0,001 | 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 ».