PubMed دسترسی آزاد

Identifying the trajectory of SPPADE symptoms in patients with cancer using electronic health record data.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
تنظیم صدای طبیعی و سرعت

صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.

چکیده اصلی

PURPOSE: The longitudinal course (trajectory) of symptoms in patients with cancer has been understudied. Sleep disturbance, pain, physical function impairment, anxiety, depression, and energy deficit/fatigue (SPPADE) are particularly common in patients with cancer. This study characterizes the trajectory patterns of SPPADE symptoms in a large and diverse sample of patients with cancer and identifies factors associated with distinct trajectories. METHODS: To identify the optimal number and functional forms of the symptom trajectories, latent class growth analysis was conducted. Electronic health record (EHR) data were analyzed from 14,590 patients in the Enhanced EHR-facilitated Cancer Symptom Control (E2C2) trial cohort with at least 3 symptom assessments within a 12-month period. Each SPPADE symptom was rated on a 0-10 numeric rating scale. Multivariable multinomial logistic regression was used to determine factors associated with membership in the symptom trajectory subgroups. RESULTS: Four distinct trajectory patterns were similar across symptoms. The average sample distribution of membership in a trajectory class across the 6 symptoms was 65.5% for low severity stable, 15.5% for high severity stable, 10.7% for improving, and 8.4% for worsening. Being employed, married/partnered, better educated, older, and not having metastatic disease were independently associated with membership in the low stable trajectory of SPPADE symptoms. Cancer site generally did not influence symptom trajectory class membership. CONCLUSION: For oncology practices that routinely use patient-reported outcomes to assess symptoms, EHR data can be a source for characterizing symptom trajectories. Knowledge of factors associated with trajectory class membership could be useful in clinical research and for tailoring evidence-based symptom management strategies.

نتیجه فارسی

این مطالعه با استفاده از داده‌های سوابق سلامت الکترونیک، چهار الگوی مسیر علائم SPPADE (اختلال خواب، درد، اختلال عملکرد جسمی، اضطراب، افسردگی و خستگی) را در بیماران سرطانی شناسایی کرد. اکثر بیماران (۶۵.۵٪) در گروه علائم با شدت کم و پایدار قرار داشتند. عواملی مانند شاغل بودن، ازدواج و تحصیلات بهتر با عضویت در این گروه مرتبط بودند.

  • چهار الگوی مسیر متفاوت برای علائم SPPADE شناسایی شد.
  • ۶۵.۵٪ از بیماران در گروه علائم با شدت کم و پایدار قرار داشتند.
  • عواملی مانند شاغل بودن و ازدواج با عضویت در این گروه مرتبط بودند.
  • داده‌های EHR می‌توانند برای توصیف مسیرهای علائم در مراکز سرطانی مفید باشند.

ترجمه فارسی چکیده

هدف: مسیر طولی علائم در بیماران سرطانی کمتر مورد مطالعه قرار گرفته است. اختلال خواب، درد، اختلال عملکرد جسمی، اضطراب، افسردگی و کمبود انرژی/خستگی (SPPADE) در بیماران سرطانی شایع هستند. این مطالعه الگوهای مسیر علائم SPPADE را در یک نمونه بزرگ و متنوع بیماران سرطانی توصیف می‌کند و عوامل مرتبط با مسیرهای متفاوت را شناسایی می‌کند. روش‌ها: برای شناسایی تعداد و اشکال عملکردی بهینه مسیر علائم، تحلیل رشد کلاس پنهان انجام شد. داده‌های سوابق سلامت الکترونیک (EHR) از ۱۴،۵۹۰ بیمار در کوهورت آزمایش کنترل علائم سرطان E2C2 تحلیل شد که حداقل ۳ ارزیابی علائم در یک دوره ۱۲ ماهه داشتند. هر یک از علائم SPPADE با مقیاس عددی ۰-۱۰ ارزیابی شدند. رگرسیون لجستیک چندمتغیره چندگانه برای تعیین عوامل مرتبط با عضویت در زیرگروه‌های مسیر علائم استفاده شد. نتایج: چهار الگوی مسیر متفاوت مشابه در بین علائم بود. میانگین توزیع نمونه عضویت در کلاس مسیر در بین ۶ علائم ۶۵.۵٪ برای شدت کم پایدار، ۱۵.۵٪ برای شدت بالا پایدار، ۱۰.۷٪ برای بهبود و ۸.۴٪ برای بدتر شدن بود. شاغل بودن، ازدواج/شراکت، تحصیلات بهتر، سنی بالاتر و نبود بیماری متاستاتیک به طور مستقل با عضویت در مسیر پایدار شدت کم علائم SPPADE مرتبط بودند. محل سرطان به طور کلی بر عضویت در کلاس مسیر علائم تأثیر نداشت. نتیجه‌گیری: برای مراکز سرطانی که به طور منظم از نتایج گزارش شده توسط بیماران برای ارزیابی علائم استفاده می‌کنند، داده‌های EHR می‌تواند منبعی برای توصیف مسیرهای علائم باشد. دانش عوامل مرتبط با عضویت در کلاس مسیر می‌تواند در تحقیقات بالینی و برای تنظیم استراتژی‌های مدیریتی علائم مبتنی بر شواهد مفید باشد.

روش پژوهش

تحلیل رشد کلاس پنهان برای شناسایی تعداد و اشکال عملکردی بهینه مسیر علائم انجام شد. داده‌های EHR از ۱۴،۵۹۰ بیمار در کوهورت E2C2 تحلیل شد که حداقل ۳ ارزیابی علائم در یک دوره ۱۲ ماهه داشتند.

محدودیت‌ها

محدودیت‌ها در متن گزارش نشده‌اند.

استخراج ساختاریافته از متن منبع

نمای PICO و پیامدها

جمعیت
بیماران سرطانی (۱۴،۵۹۰ نفر) در کوهورت E2C2
مداخله/مواجهه
تحلیل داده‌های سوابق سلامت الکترونیک (EHR)
مقایسه
تحلیل رشد کلاس پنهان برای شناسایی الگوهای مسیر علائم

متن کامل اصلی

نسخه دارای مجوز در منبع علمی در دسترس است.

لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز می‌شود.

باز کردن متن کامل

کلیدواژه‌ها

CancerLongitudinalPatient-reported outcomesSymptomsTrajectory
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2026

Clinical effectiveness and safety of metadoxine in the management of acute alcohol intoxication: A single-center retrospective cohort study.

BACKGROUND: Acute alcohol intoxication (AAI) is a common emergency with no specific antidote. Metadoxine has shown potential but lacks sufficient real-world evidence, particularly in Chinese populations. OBJECTIVES: To evaluate the clinical efficacy and safety of metadoxine in patients with acute alcohol intoxication. METHODS: This single-center retrospective cohort study included 124 patients with AAI admitted to an emergency departme…

PubMed2026

D3MI: an efficient and powerful federated imputation method for bias reduction in the analysis of distributed incomplete data by accounting for within-site correlation and between-site heterogeneity.

BACKGROUND: Electronic health records (EHRs) collected from diverse healthcare institutions offer a rich and representative data source for clinical research. Federated learning enables analysis of these distributed data without sharing sensitive patient-level information, preserving privacy. However, missing data remain a major challenge and can introduce substantial bias if not properly addressed. Very few distributed imputation meth…

PubMed2026

Extraction of Pain Severity and Functional Interference From Clinical Narratives Using Domain-Informed Large Language Models: Protocol for a Development and Validation Study.

BACKGROUND: Chronic pain is a leading cause of disability and requires multidimensional assessment of pain intensity and functioning, yet electronic health records rarely capture these measures systematically. By contrast, surveys collecting patient-reported outcomes can assess pain over multiple dimensions but remain resource-intensive and difficult to scale for continuous population-level monitoring. OBJECTIVE: The objective of this …

PubMed2026

From data entry to digital transformation: Allied health perspectives on standardised electronic medical records data.

BACKGROUND: Electronic medical records (EMRs) currently rely on standardised data fields to support secondary data use for clinical care, performance monitoring, and system-level reporting. However, utilisation of standardised data capture and reporting within allied health remains underdeveloped in practice. Greater understanding of how allied health clinicians and managers perceive the purpose, value, and impact of standardised data …