Fatigue and Co‐Occurring Cancer‐Related Symptoms in Breast Cancer Survivors: A Systematic Review and Network Meta‐Analysis
Notice bibliographique
Résumé
Objective: The relative strength of risk factors for cancer‐related fatigue (CRF) among breast cancer survivors (BCSs) remains unclear. This study aims to systematically evaluate and compare the strength of different risk factors for CRF using a network meta‐analysis (NMA) approach. Methods: This NMA included observational studies on female BCSs with extractable data related to risk factors for CRF. The PubMed, Cochrane Library, and Embase databases were systematically searched, and the study protocol was registered in PROSPERO (reference no. CRD42025642021). A random‐effects meta‐analysis was performed to estimate pooled effect sizes, and an NMA with P‐scores was used to rank the relative strength of risk factors. Subgroup analyses, sensitivity analyses, and meta‐regression were conducted to assess methodological quality and explore potential sources of heterogeneity. Results: Thirty observational studies ( n = 36,302 female BCSs) that were published between 2004 and 2024 were included in this NMA. Depression exhibited the strongest association with CRF (OR = 3.34, 95% CI 2.50–4.46, P‐score = 0.9727), followed by insomnia (OR = 2.35, 95% CI 1.45–3.81, P‐score = 0.6549), pain (OR = 1.94, 95% CI 1.33–2.84, P‐score = 0.4587), and anxiety (OR = 1.85, 95% CI 1.23–2.79, P‐score = 0.4132). Subgroup analysis revealed that the associations of the four risk factors with CRF remained significant at the three posttreatment time points (< 1 year, 1–5 years, and > 5 years), with the exception of anxiety and insomnia at < 1 year and pain at > 5 years. Meta‐regression demonstrated that higher study quality (measured via the Newcastle–Ottawa scale [NOS]) was significantly correlated with stronger associations of anxiety and insomnia with CRF ( β = 0.305 and 0.221, p < 0.05, respectively). Sensitivity analysis confirmed the robustness of the main findings. Conclusion: Depression plays a central role in CRF development and should be prioritized in survivorship care. Integrating multimodal interventions for depression, sleep disturbances, and pain management may improve fatigue outcomes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».