MétaCan
Menu
Retour à la cohorte
Enregistrement W6930072341 · doi:10.5061/dryad.gtht76hsf

Quality of life among patients with atrial fibrillation

2023· dataset· en· W6930072341 sur OpenAlexafffund

Notice bibliographique

RevueDRYAD · 2023
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensVancouver General HospitalUniversity of British Columbia
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésAtrial fibrillationQuality of life (healthcare)PopulationAnalysis of varianceMental healthMultilevel modelRecreationVariance (accounting)

Résumé

récupéré en direct d'OpenAlex

Background Patients with atrial fibrillation (AF) have significantly lower health-related quality of life (HRQoL) compared to the general population and patients with other heart diseases. The research emphasis on the influence of AF symptoms on HRQoL overshadows the role of individual characteristics. To address this gap, this study’s purpose was to test an incremental predictive model for AF-related HRQoL following an adapted HRQoL conceptual model that incorporates both symptoms and individual characteristics. Methods Patients attending an AF specialty clinic were invited to complete an online survey. Hierarchical regression analyses were conducted to examine whether individual characteristics (overall mental health, perceived stress, sex, age, AF knowledge, household and recreational physical activity) incremented prediction of HRQoL and AF treatment satisfaction beyond AF symptom recency and overall health. Results Of 196 participants (mean age 65.3 years), 63% were male and 90% were Caucasian. Most reported ‘excellent’ or ‘good’ overall and mental health, had high overall AF knowledge scores, had low perceived stress scores, and had high household and recreation physical activity. The mean overall AF Effect On Quality-Of-Life Questionnaire (AFEQT) and AF treatment satisfaction scores were 70.62 and 73.84, respectively. Recency of AF symptoms and overall health accounted for 29.6% of the variance in overall HRQoL and 20.2% of the variance in AF treatment satisfaction. Individual characteristics explained an additional 13.6% of the variance in overall HRQoL and 7.6% of the variance in AF treatment satisfaction. Perceived stress and household physical activity were the largest contributors to overall HRQoL, whereas age and AF knowledge made significant contributions to AF treatment satisfaction. Conclusions Along with AF symptoms and overall health, individual characteristics are important predictors of HRQoL and AF treatment satisfaction in AF patients. In particular, perceived stress and household physical activity could further be targeted as potential areas to improve HRQoL.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,433
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,009

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 Opus0,036
Tête enseignante GPT0,311
Écart entre enseignants0,275 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

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

En bref

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDRYADTravaux en français237 207