MétaCan
Menu
← Retour à la cohorte
Enregistrement W4412470861 · doi:10.1136/bmjopen-2025-099592

Patient-reported outcome measures for fatigue in patients with chronic kidney disease: a systematic review

2025· review· en· W4412470861 sur OpenAlexaff
Anastasia Hughes, Angela Ju, Rosanna Cazzolli, Martin Howell, Chandana Guha, Adeera Levin, Karine Manera, Armando Teixeira-Pinto, Luca G Torrisi, David C. Wheeler, Germaine Wong, Rebecca Wu, Allison Tong

Notice bibliographique

RevueBMJ Open · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueDialysis and Renal Disease Management
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Health and Medical Research Council
Mots-clésMedicinePsycINFOCINAHLQuality of life (healthcare)Physical therapyKidney diseaseMEDLINEObservational studySystematic reviewInternal medicinePsychological interventionPsychiatry

Résumé

récupéré en direct d'OpenAlex

Objective Fatigue is a common and debilitating symptom that is associated with an increased risk of mortality, dialysis initiation and hospitalisation among patients with chronic kidney disease (CKD). The aim of this study was to identify the characteristics, content and psychometric properties of patient-reported outcome measures (PROMs) used to measure fatigue in patients with CKD not requiring kidney replacement therapy (KRT). Design Systematic review. The characteristics, dimensions of fatigue and psychometric properties of these measures were extracted and analysed. Data sources We searched MEDLINE, Embase, PsycINFO and CINAHL from database inception to February 2023. Eligibility criteria for selecting studies All studies that reported fatigue in patients with CKD stages 1–5 not receiving KRT. Results We identified 97 studies (20 (21%) randomised trials, 2 (2%) non-randomised trials and 75 (77%) observational studies). 27 different measures were used to assess fatigue, of which three were author-developed measures. The 36-Item Short Form Health Survey (SF-36) and Kidney Disease Quality of Life – Short Form (KDQOL-SF) were the most frequently used measures (41 (42%) and 24 (25%) studies, respectively). Six (22%) measures were specific to fatigue (Chalder Fatigue Questionnaire, Functional Assessment of Chronic Illness Therapy – Fatigue Scale, Functional Assessment of Cancer Therapy-Fatigue, Fatigue Severity Scale, and author developed Chen & Ku 1998, and Hao et al 2021) while 21 (78%) included a fatigue subscale or item within a broader construct for example, quality of life. Various content domains assessed included tiredness, ability to think clearly, level of energy, muscle weakness, ability to concentrate, verbal abilities, motivation, memory, negative emotions and life participation. Only two measures (Chronic Kidney Disease Symptom Index – Sri Lanka, Kidney Symptom Questionnaire) were developed specifically for CKD, but they were not specific to fatigue. Six measures (Chronic Kidney Disease Symptom Index – Sri Lanka, Functional Assessment of Cancer Therapy – Anemia, Revised Illness Perception Questionnaire, Kidney Symptom Questionnaire, Short Form 6 Dimension and 36-Item Short Form Health Survey) had been validated in patients with CKD not requiring KRT. Conclusion PROMs used to assess fatigue in patients with CKD vary in content and few were specific to fatigue in patients with CKD not requiring KRT. Data to support the psychometric robustness of PROMs for fatigue in CKD were sparse. A validated and content-relevant measure to assess fatigue in patients with CKD is needed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,064
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,064
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0080,008
Bibliométrie0,0080,008
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,115
Tête enseignante GPT0,423
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Open→Même sujetDialysis and Renal Disease Management→Travaux en français237 207→