Factors Associated With Symptom Burden Among Pediatric Patients With Cancer
Notice bibliographique
Résumé
PURPOSE The objective was to identify factors associated with self-reported symptom burden measured using Symptom Screening in Pediatrics Tool (SSPedi) in pediatric patients with cancer. METHODS This was a secondary analysis of a cluster randomized trial enrolling pediatric patients newly diagnosed with cancer. Twenty sites were randomized to routine symptom screening versus usual care. Intervention included thrice-weekly symptom screening with SSPedi, delivery of severely bothersome scores to health care teams, and implementation of locally adapted symptom management care pathways. Primary outcome was total SSPedi scores, 0 (no bothersome symptoms) to 60 (worst bothersome symptoms), obtained at baseline, week four, and week eight in 430 patients (n = 217 intervention and n = 213 usual care). We created a mixed linear regression model evaluating design (including time point), patient/guardian, and site characteristics for their associations with symptom burden after controlling for treatment assignment. RESULTS SSPedi scores were significantly lower at weeks 4 and 8 compared with baseline ( P < .0001 overall), and at intervention versus control sites ( P < .0001). In the full model, males (estimate, –3.3 [95% CI, –4.6 to –2.0]; P < .0001) and sites with higher physician staffing ratios (each physician full-time equivalent per 100 new diagnoses estimate –0.20 [95% CI, –0.5 to 0.0]; P = .024) had significantly lower total SSPedi scores. CONCLUSION Total symptom burden was reduced by time, intervention (symptom screening and care pathways), and greater physician staffing ratio. Females had higher symptom burden. These data may inform programmatic implementation of routine symptom screening in pediatric patients with cancer.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».