Gender Differences in Disease Burden, Symptom Burden, and Quality of Life Among People Living With Heart Failure and Multimorbidity: Cross‐Sectional Study
Notice bibliographique
Résumé
AIM: Heart failure is a leading cause of hospitalisation and often coexists with seven comorbid conditions on average. This study aimed to examine the gender differences in disease burden, symptom burden, and quality of life among older adults with heart failure and multimorbidity. DESIGN: Cross-sectional study. METHODS: This study utilised a baseline survey from an ongoing cohort study in 2022-2023. Adults aged ≥ 50 years with heart failure and more than one chronic condition were recruited from a university-affiliated hospital using an electronic patient portal. Disease burden was measured using a modified Disease Burden Impact Scale. The Edmonton Symptom Assessment Scale and EuroQoL-5D-5L assessed symptom burden and quality of life. Gender differences in baseline outcomes were examined using Pearson's Chi-square tests, Welch's t-tests, and multiple linear regressions. RESULTS: Among 353 participants who completed the baseline survey, the mean (±SD) age was 70 (±9.5) years, and 50.1% were women (mean age: 67 ± 9 vs. men: 72 ± 10). In adjusted models, women had 4.9 points higher disease burden (p = 0.003) and reported higher symptom scores of pain (p = 0.018), tiredness (p = 0.021), nausea (p = 0.007), and loss of appetite compared to men (p = 0.036). Women had significantly more moderate/severe problems in usual activities and pain/discomfort and 0.07 points lower EuroQoL index than men (p = 0.010). CONCLUSIONS: There were gender differences in disease/symptom burdens and quality of life. Women living with heart failure and multimorbidity had higher burdens but lower quality of life. IMPACT: Identifying gender differences among people with heart failure and multimorbidity can be the first step to explaining health disparities. Research should take more inclusive and equitable approaches to address these differences. Healthcare providers, including nurses, should implement targeted strategies for effective multimorbidity management by considering these differences and disparities in clinical settings. REPORTING METHOD: STROBE checklist, cross-sectional. PATIENT OR PUBLIC CONTRIBUTION: No patient or public contribution.
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 ».