Patient clusters based on demographics, clinical characteristics and cancer-related symptoms: A cross-sectional pilot study
Notice bibliographique
Résumé
PURPOSE: This study aimed to identify and preliminary validate distinct clusters of patients with cancer based on demographics, clinical characteristics, and symptoms and to inform future research on sample size requirements for achieving sufficient power in clustering analyses. METHODS: This cross-sectional pilot study involved 114 patients with cancer from two hospitals in northern Italy. Data were collected on demographics, clinical characteristics, and 20 symptoms using the Edmonton Symptom Assessment System in October 2022. t-distributed stochastic neighbor embedding (t-SNE) was used to reduce the symptom data and demographics (e.g., age) into two components, which were then clustered using Ward's method. A Monte Carlo simulation was conducted based on the t-SNE components to estimate the sample size needed to achieve 80% power for different cluster solutions (k = 2, 3, 4). RESULTS: Two distinct clusters were identified: Cluster 1 (Higher Symptom Burden Cluster) and Cluster 2 (Lower Symptom Burden Cluster). Cluster 1 patients had a higher prevalence of depression, anxiety, and drowsiness. Monte Carlo simulations indicated that 50 patients per cluster were sufficient for k = 2 clusters to achieve 80% power, whereas 90 patients per cluster were needed for k = 3 clusters and 120 patients per cluster for k = 4 clusters. CONCLUSION: This study identified distinct patient clusters and provided preliminary evidence on the sample size required for clustering analyses in cancer research. Understanding patient clusters enables nurses to provide tailored interventions, potentially improving symptom management and overall patient 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 | 0,002 | 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 | 0,001 |
| 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; 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 ».