Exploring treatment adherence and unmet needs of older breast cancer survival in Nigeria.
Notice bibliographique
Résumé
e13849 Background: Breast cancer is the leading cause of cancer death in Nigeria. Older breast cancer patients often experience additional vulnerabilities due to comorbidities, reduced physical resilience, and potential socio-economic limitations that impact their access to chemotherapy, radiotherapy, and targeted therapy. Yet the needs of older breast cancer patients have remained unknown in Nigeria. Hence, this study explored the relationship between unmet needs and treatment adherence among older adults with breast cancer undergoing chemotherapy at a cancer facility in Nigeria. Methods: The participants were (n = 66) people aged 55 to 74 who were undergoing chemotherapy. Data were collected using structured questionnaires and analyzed using descriptive statistics and chi-square tests. Results: The majority were married (53%), and more than half were unemployed (54.5%). Nearly half of the respondents (47%) had an income of less than ₦500,000 per year. In terms of cancer stages, 45.5% of participants were at stage 3, indicating a high prevalence of advanced cancer. The analysis showed that 74.2% of participants reported unmet needs. A significant relationship between unmet needs and treatment compliance was found (χ² = 4.580, p = 0.032). Participants with unmet needs were less likely to exhibit good compliance (77.6%) compared to those whose needs were met (100%). Conclusions: The study highlights the substantial unmet needs among older breast cancer patients, which significantly affect treatment adherence. To enhance treatment adherence and overall quality of life, it is recommended that healthcare providers and policymakers develop targeted interventions to address the specific unmet needs of older cancer patients. This includes improving access to comprehensive care, implementing ASCO practical geriatric assessment, providing socio-economic support, and implementing strategies to manage comorbidities effectively in Nigeria. Key Words: Brest Cancer, Chemotherapy, Older Adults, Unmet Needs, Health 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».