THE EFFECTIVENESS OF PAIN MANAGEMENT PROGRAM ON INTENSITY OF PAIN AND QUALITY OF LIFE AMONG CANCER PATIENTS IN MYANMAR
Notice bibliographique
Résumé
Introduction: Cancer is one of the leading causes of death worldwide and rapidly becoming a global pandemic. Cancer pain significantly affects the diagnosis, quality of life and survival of patients with cancer. The aim of this study was to analyze the effect of Pain Management Program (PMP) on pain and quality of life in patient with cancer. Methods: This study used quasy experimental design with randomize pre-post test design approach. Data were collected from cancer patients in No (2) Military Hospital (500-Bedded), Yangon, Myanmar. Patients were recruited by using consecutive sampling method, consisted of 30 respondents (experimental group) and 30 respondents (control group) taken according to the inclusion criteria. Short Form-McGill Pain Questionnaire 2 (SF-MPQ 2) was used to assess the pain, and The European Organization for Research and Treatment of Cancer Quality of Life Questionnaire-Core 30 (EORTC QLQ-C30) for quality of life. Result and Analysis: Manova test was used to analyze the effect of PMP, it showed p = 0,002 (pain) and p = 0,000 (quality of life). It means that 1) PMP decreased the pain and 2) PMP increased the quality of life especially in general health scales on patient with cancer. However, there were no significant difference between functional scales and symptomatic scales of quality of life. Discussion and Conclusion: Improvements in quality of life and pain-related cancer suggest that the vicious cycle of chronic pain may be alleviated by PMP (education, distraction and relaxation technique). As we see the results, so that PMP can be the effective treatment to be used by nurse for decreasing pain and increasing quality of life in 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 | 0,000 |
| 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) | 0,000 | 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 ».