Incidence and Control of Symptoms at the End of Life in Cancer Patients
Notice bibliographique
Résumé
<strong>Background:</strong> at the end of life, the patient with cancer conditions presents various physical, emotional and spiritual symptoms. Palliative medicine allows a continuous and comprehensive treatment for the diagnosis and control of symptoms. <strong><br />Objective:</strong> to describe the incidence of symptoms according to the location of the initial tumor and its transition in the last stage of the disease. <br /><strong>Method:</strong> a descriptive, longitudinal, prospective study of 100 terminally ill patients treated at the Institute of Oncology and Radiobiology was carried out between September 2017 and September 2019. The medical history record with two evaluations was taken as a source, using Edmonton Symptom Rating Scale, modified. A questionnaire was developed using the in-depth interview technique to collect information on symptoms. With the information, a database was made in Microsoft Excel 16.0 and they were processed using the SPSS-PC statistical package in version 19.0.1 for Windows, which made it possible to make tables and graphs. <br /><strong>Results:</strong> the incidence of nine symptoms is described, the main ones: pain, fatigue, loss of appetite, anxiety and depression, independent of the anatomical structure affected by the primary tumor. A higher incidence of pain was found in general (78 %). During the final stage, the most frequent symptoms were: fatigue, anxiety, loss of appetite and dyspnea. <br /><strong>Conclusion:</strong> the symptoms in terminal patients with cancer diseases are multiple and variable, sometimes closely related to the natural history of their disease. Symptomatic diagnosis and control requires recognizing needs and generating collective strategies to minimize suffering.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,005 | 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 ».