Extracto
Antecedentes
Este manuscrito describe un método para el análisis de grandes cantidades de datos clínicos dispares para dilucidar el factor más impactante (s) que se relacionan con un resultado clínico significativo, en este caso , la calidad de vida de pacientes con cáncer. Las relaciones entre la clínica y la calidad de vida de las variables se evaluaron mediante el dominio de una variable sustituta validado mundial de la salud EORTC QLQ-C30 para el paciente de cáncer bienestar general.
Métodos
Una sección transversal diseño del estudio se utilizó para evaluar los determinantes de la salud global en pacientes con cáncer que iniciaron tratamiento en dos centros médicos regionales entre enero de 2001 y diciembre de 2009. las variables analizadas fueron 15 escalas EORTC QLQ-C30, la edad al momento del diagnóstico, el género, recién diagnosticado /enfermedad recurrente estado, y el escenario. El algoritmo de árbol de decisión, tal vez desconocida para los médicos en ejercicio, se evalúa la contribución relativa de los parámetros individuales en la clasificación de un criterio de valoración funcional clínicamente significativo, como la salud global de un paciente.
Los resultados
paciente múltiple características fueron identificados como importantes contribuyentes. La fatiga, en particular, surgió como el indicador más frecuente de la calidad de vida de los pacientes con cáncer en 16/23 subgrupos clínicamente relevantes. Este análisis permitió resultados, que se indicarán en un formato clínicamente a la intuición, conjunto de normas utilizando la herramienta misma lengua y las cantidades de la calidad de vida (CdV).
Interpretación
Mediante la aplicación de los algoritmos de clasificación a un gran conjunto de datos, se reveló la identificación de la fatiga como un factor de la raíz en el impulso de la salud global y la calidad de vida en general. La capacidad de practicar la minería de datos clínicos establece para descubrir conocimientos clínicos críticos que sean aplicables de inmediato a las prácticas de atención al paciente se ilustra
Visto:. McCabe RM, Grutsch JF, Braun DP, Nutakki SB (2015) Fatiga a controlador de calidad de vida en pacientes con cáncer. PLoS ONE 10 (6): e0130023. doi: 10.1371 /journal.pone.0130023
Editor Académico: Frank Emmert-Streib, la Universidad Queen de Belfast, Reino Unido
Recibido: November 26, 2014; Aceptado: 16-may de 2015; Publicado: 12 Junio 2015
Derechos de Autor © 2015 McCabe et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Disponibilidad de datos: El manuscrito actual es compatible con el estándar diario debido al hecho de que todos los datos contenidos en este documento han sido comunicadas en el anterior PLOS ONE manuscrito titulado "¿Puede evaluaciones de calidad de vida diferenciar a los pacientes con cáncer heterogéneos?". datos a nivel de los pacientes no pueden ser reportados en un repositorio público bajo las restricciones de HIPAA, Registro de Cáncer & amp; IRB cumplimiento con las regulaciones federales y estatales. Los lectores pueden ponerse en contacto con el Dr. Donald Braun (
[email protected]) de las nuevas peticiones de los datos utilizados en este manuscrito. Los investigadores que lo soliciten los datos de Dr. Braun serán provistos de un conjunto de datos anónimos
Financiación:. El programa de investigación es financiado por Cancer Treatment Centers of America. Centros Tratamiento Cáncer de América prestado apoyo en forma de salarios para los autores Ryan M McCabe, James F Grutsch, Donald P Braun y Swetha B Nutakki, pero no tienen ninguna función adicional en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito. Las funciones específicas de estos autores se articulan en la sección 'autor' contribuciones
Conflicto de intereses:. Los autores de este manuscrito tienen los siguientes intereses en competencia: El programa de investigación es financiado por Cancer Treatment Centers of America. Ryan McCabe, James Grutsch, Donald Braun y Swetha Nutakki fueron empleados por Cancer Treatment Centers of America durante la realización del estudio. No hay patentes, productos en desarrollo o los productos comercializados para declarar. Esto no altera su adhesión a todas las políticas de PLoS ONE sobre los datos y compartir materiales.
Introducción
fueron desarrollados para su uso en ensayos clínicos actuales de calidad de vida (QOL) herramientas de evaluación para cuantificar la beneficios de las terapias innovadoras de carga de los síntomas de los pacientes, el funcionamiento y la calidad de vida en general. Los investigadores clínicos han descubierto que las escalas de calidad de vida específicos proporcionan información sobre la duración de la supervivencia de los pacientes con independencia de las variables de pronóstico conocidos [1,2]. La investigación reciente ha determinado la importancia clínica de los cambios en las puntuaciones de calidad de vida [3,4]. Otras investigaciones han comenzado a vincular dominios de calidad de vida con las vías biológicas clínicamente relevantes [5-7].
La aparición de los tratamientos oncológicos que prolongan la vida ha dado lugar a un creciente número de sobrevivientes de cáncer que viven durante muchos años después de la cesación del tratamiento. En consecuencia, la evaluación de su calidad de vida y el bienestar del paciente se ha convertido en un importante resultado del paciente. Es un factor clave de la satisfacción del paciente con su equipo clínico [8] y cada vez más podría convertirse en un factor importante en la toma de decisiones clínico y el paciente. formato modular del instrumento EORTC QLQ-C30 replica el modelo de Wilson y Cleary de la calidad de vida relacionada con la salud de la salud (CVRS), que es una secuencia de construcciones interconectadas que comienzan con el estado fisiológico y la enfermedad; el progreso a la condición de los síntomas, el funcionamiento y la percepción de la salud general y termina con la satisfacción con la calidad de vida en general [9-12] (Figura 1).
La vía generalmente progresa de izquierda a derecha, comenzando con la construcción del estado de la enfermedad , el estado de los síntomas, estado funcional, calidad de vida y la satisfacción del paciente con la calidad de vida. Cada construcción se compone de varios atributos de los pacientes y también se ve afectada por las características individuales y ambientales.
El objetivo principal del estudio es investigar los predictores de la calidad de vida utilizando un enfoque innovador del análisis del árbol de decisión. Esta investigación utilizó una gran base de datos compuesta por una población heterogénea paciente de cáncer con resultados reportados por pacientes (PRO), datos demográficos y clínicos. El análisis estratificado pacientes por el sitio de origen, escenario de la historia de la enfermedad y el tratamiento, es decir, si han sido sometidos a las líneas de primera o siguientes de la terapia. Se utilizaron conjuntos de árboles de decisión generado algoritmo para identificar las causas de la evaluación del paciente de su calidad de vida. Los árboles de decisión pueden generar predicciones exactas, manejar mezclas de los datos categóricos y continuos, indicar rangos de valores donde las variables son más predictivos, y tienen la ventaja de que sus salidas se pueden describir en etiquetas clínicamente intuitivos, en lugar de la terminología y las cantidades estadística [13-15 ]. Los árboles de decisión se han utilizado con éxito en varios escenarios en el ámbito médico [16,17], incluyendo la predicción de errores en la atención de enfermedades crónicas, la identificación de señales de reacciones adversas a los medicamentos, y la detección de artefactos en los datos de la UCI neonatal. El uso de árboles de decisión para descubrir los conductores de la calidad de vida en pacientes con cáncer es una novedosa aplicación. Este método permite la investigación de si los pilotos de la calidad de vida son diversas y dependen de tipo de enfermedad ni son pocos en número e independiente del tipo de enfermedad y su progresión.
Métodos
Diseño del estudio
Un diseño de estudio transversal se utilizó para evaluar los determinantes de la salud mundial en 8478 pacientes con cáncer que iniciaron tratamiento en dos centros de tratamiento de cáncer de centros médicos regionales América entre enero de 2001 y diciembre de 2009. el personal administrativo ofreció a todos los posibles pacientes, independientemente del tratamiento o de la historia de la enfermedad, la oportunidad de completar el instrumento EORTC QLQ-C30 a su llegada a la clínica, antes de someterse a tratamiento. El único criterio para la participación estaba siendo capaz de leer y completar la encuesta en Inglés. Los datos demográficos fueron proporcionados por los registros de cáncer de cada centro. Todos los pacientes dieron su consentimiento por escrito. Este estudio fue aprobado por el comité de revisión institucional del Centro Médico Regional del Medio Oeste.
QoL instrumento
La EORTC QLQ-C30 es una validado [3] y ampliamente utilizado [18] instrumento de investigación que recoge Paciente Resultados -Informe (PRO) para los síntomas encontrados rutinariamente en pacientes con cáncer. Recoge los datos sobre el funcionamiento y la evaluación de su calidad de vida general del paciente. El instrumento consta de 30 preguntas. Las respuestas a estas preguntas varían de 1 a 4 de los síntomas y el funcionamiento de los dominios (1 = No, en absoluto, 4 = mucho) o de 1 a 7 para el dominio mundial de la salud (1 = muy pobre, 7 = excelente). Las respuestas a todas las preguntas se transforman linealmente a una puntuación de 0-100 en cada uno de categórica 15 (nueve síntomas, cinco funciones y una salud global), las escalas que no se solapan (es decir, cada respuesta sólo se utiliza para determinar una calificación de escala). La fatiga de los síntomas, el dolor y las náuseas /vómitos están compuestas de múltiples preguntas. Por ejemplo, la fatiga se compone de tres preguntas que piden a los pacientes acerca de su necesidad de descansar, sensación de debilidad, y el nivel de cansancio. Las escalas de síntomas restantes son elementos individuales que abordan: disnea, pérdida de apetito, insomnio, estreñimiento, diarrea, y el efecto financiero percibida de la enfermedad y el tratamiento. Los cinco dominios funcionales son: física, rol (relacionados con el trabajo), cognitivo, emocional y social. El tema de la salud mundial combina respuestas de dos preguntas: una clasificación de su estado general de salud y la calidad de vida general de los pacientes. Para el funcionamiento y las escalas de salud a nivel mundial, una puntuación más alta representa un mejor nivel de funcionamiento, mientras que para los artículos de síntomas, una puntuación más alta representa síntomas más graves [19].
Las variables analizadas
La variable de resultado del estudio fue la salud mundial, y el objetivo de los análisis fue identificar la estructura y la precisión de los árboles. Este análisis incluye todas las 15 escalas EORTC QLQ-C30, y las siguientes variables demográficas y clínicas del Registro de Cáncer: edad al momento del diagnóstico, sexo, estado de la enfermedad recién diagnosticada /recurrente, mejor AJCC (American Joint Committee on Cáncer) etapa en el momento de diagnóstico para la cohorte de pacientes analítica, y la enfermedad regional /metastásico en pacientes con cáncer recurrente. Estas variables se utilizan como insumos para generar reglas de clasificación para predecir los niveles globales de salud para los pacientes individuales. Género, recién diagnosticada estado /recurrente, y la etapa se definieron como variables categóricas.
El sitio de variables clínicas de origen, recién diagnosticada o enfermedad y el grado en recaída para los recién diagnosticados son potentes predictores de vida del paciente. Estas variables se utilizan para generar grupos experimentales con distintos pronósticos que iban desde curable al hospicio de ruedas. Estos subgrupos se analizaron de forma independiente para determinar si los controladores de la salud mundial diferían según el pronóstico o si los conductores de la salud mundial son independientes del lugar de origen y la progresión de la enfermedad.
método analítico
El objetivo de esta análisis fue identificar determinantes de la salud global desde una perspectiva clínica. las puntuaciones de salud globales fueron estratificados en tres clases clínicamente distintas: bajo, medio y alto. Esta estratificación se basó en los resultados provenientes de encuestas de la población general de Europa [20]. Estas encuestas fueron basadas y llevado a cabo sin el conocimiento del estado de salud de los participantes población. Se determinó la estratificación de la puntuación global de la salud
a priori
. Una puntuación baja de la salud mundial correspondió a valores que eran casi dos desviaciones estándar por debajo de la población en general puntuación media (~ 45). Una alta puntuación global de salud correspondió a las puntuaciones medias de la población general (75) o superior [20]. Por lo tanto, los pacientes con puntuaciones & gt; 66,67 fueron definidos como de alto; baja ≤ 33,33; medio osciló entre 33,33 e incluyendo 66.67 [3]. De las variables demográficas utilizadas en este análisis, sólo la edad al momento del diagnóstico fue continua. algoritmos de árboles de decisión se parametrizan para acomodar el tipo de cada variable (por ejemplo, continua, categórica, etc.).
Generación de un árbol de decisión
Los árboles de decisión (a menudo llamados árboles de clasificación y regresión-CART ) se puede utilizar en análisis multivariados donde son desconocidos o no normal las distribuciones subyacentes de datos y las variables son categóricas [16]. algoritmos de árboles de decisión de buscar en todo el conjunto de datos para identificar la variable más predictiva disponibles en relación con la variable de destino (por ejemplo, la salud mundial). El algoritmo calcula el valor óptimo de la variable de ramificación para bifurcar los datos y maximizar la precisión de clasificación. Este proceso se repite recursivamente en cada división de datos establecidos hasta que los datos ya no se dividen y se genera un nodo terminal para clasificar los datos en esa rama.
Este algoritmo utilizado para calcular los coeficientes de Gini las mejores separaciones para cada nodo de ramificación en un árbol dado [14,21]. La precisión de un árbol dado (una medida de bondad de ajuste) se calcula que cursa un registro de datos a nivel de paciente a través de las ramas del árbol hasta un terminal, se alcanzó un nodo hoja y una clasificación asignada. El porcentaje de pacientes correctamente clasificados se calculó para todo el conjunto de datos.
Para garantizar que el algoritmo no generar un árbol de decisión que era demasiado específicas para un determinado conjunto de datos (es decir, la generalización sacrificar), una técnica llamada 10- pliegue se utilizó la validación cruzada. Antes de que se genera un árbol, un conjunto de datos se dividieron al azar en 10 subconjuntos de igual tamaño. El algoritmo utiliza los primeros nueve subconjuntos para generar un árbol y el de salida celebrada configurar para validar la precisión del árbol. La técnica de validación cruzada girar este proceso a través de cada uno de los nueve subconjuntos restantes para un total de diez iteraciones. En lugar de seleccionar el árbol más precisa del grupo, un árbol compuesto se crea a partir de los 10 árboles resultantes [22]. El último paso (poda) redujo el tamaño del árbol mediante la eliminación de las ramas del árbol que proporciona poca o ninguna mejora en la precisión predictiva. La poda reduce la posibilidad de montaje sobre-lo que podría deberse a la presencia de anomalías en los datos de entrenamiento. Esto hace que el árbol más pequeño y más simple para generar conjuntos de reglas. Este proceso completo se ejecuta para cada subgrupo clínico probado.
Cómo leer un árbol de decisión
La figura 2 es un ejemplo de un árbol de decisión generado utilizando los pacientes de nuevo diagnóstico y la figura 3 es una ejemplo generado con nuevo diagnóstico de la etapa 4 pacientes de este conjunto de datos. En la figura 2, la fatiga es el nodo raíz, lo que significa que de todos los puntos de datos de pacientes en estudio, la fatiga clasifica la salud global más precisión si hay información adicional hubiera estado disponible. El punto de corte para la fatiga en el nodo raíz es 27,78. Si un paciente dado tenía una fatiga puntuación ≥ 27,78, a continuación, la rama derecha sería atravesada, y se repite el proceso con el siguiente nodo hasta una clasificación de la salud global se puede realizar en un nodo terminal o de la hoja. Por ejemplo, si un paciente tiene una puntuación de fatiga & lt; 27.78, entonces el paciente se clasifica para tener alta la salud mundial sin información adicional requerida. Una variable puede ser seleccionado varias veces como un nodo de ramificación debido a los diferentes valores de la variable, en conjunción con los valores de las variables seleccionadas previamente, pueden contener más información en relación con otras variables en ese subconjunto. En la figura 3, la función de papel es el nodo raíz con un punto de corte 75.
Para predecir el nivel de salud global de un paciente, iniciar en el nodo raíz (la parte superior ovalada), atravesar las ramas en función de los valores específicos de los pacientes individuales de datos y llegar a un nodo hoja (rectángulo). El nodo hoja es la predicción de Baja, Media o Alta salud mundial para ese paciente. Caminos recorridos desde el nodo raíz a cada nodo hoja puede ser reformulada como un conjunto de reglas condicionales lista de los conductores de los niveles de salud a nivel mundial.
Este árbol tiene la función de papel como el nodo raíz (primera división) y la fatiga y el dolor tan próximos divisiones. 'N' en cada nodo representa el número de pacientes.
nodos de clasificación son nodos terminales que no se dividen más. La precisión de la clasificación para un árbol es una indicación de qué parte de la estructura del conjunto de datos del árbol ha capturado. Al recorrer las ramas de un árbol de decisión, comenzando con el nodo raíz y que termina en un nodo de clasificación, conjuntos de reglas condicionales pueden ser identificados y se actualizan en términos clínicos.
Resultados
los registros de cáncer identificaron 23,783 potenciales participantes de los cuales 12,357 estaban de acuerdo para completar el instrumento anterior a la consulta clínica inicial en dos centros médicos regionales CTCA entre enero de 2001 y diciembre de 2009. 11.469 pacientes devolvieron el cuestionario. El número de encuestados que se sometieron a tratamiento en la ACTC y completaron la evaluación de la calidad de vida era de 8478 pacientes. Los datos demográficos de los participantes (Tabla 1) se compararon con los no participantes y se encontró que eran similares en investigaciones anteriores [23].
Este estudio incluyó a pacientes de todas las etapas de la historia natural de diagnosticado enfermedad (Tabla 1). Los pacientes tendían a ser relativamente joven para los pacientes con cáncer, con una mayoría de los participantes en el sexo femenino (n = 4505; 56%). Casi dos tercios (65%) de estos pacientes tenían enfermedad de origen pulmonar, de mama, de colon o recto, próstata o páncreas. Esta población de pacientes fue sesgada hacia los pacientes que tuvieron recurrencia de la enfermedad. De los pacientes que padecen la enfermedad de nuevo diagnóstico, más de la mitad tenía estadio 3 o 4 de la enfermedad (55%).
las puntuaciones de salud globales se distribuyeron de la baja (23%), Medio (43%) y alta (34 %) clases. La Tabla 2 compara los dominios QOL decenas de dos cohortes de vista pronóstico distintas en la población de estudio a una cohorte de población general [20].
Árbol de decisión
La población de pacientes se estratificó en sub clínica -grupos por lugar de origen, recién diagnosticados /recaída, y la etapa AJCC para el nuevo diagnóstico. Cada subconjunto de datos se utilizó para generar un árbol de decisión que representa ese sub-grupo clínico. Las escalas de síntomas y funcionamiento que estaban presentes en cada árbol como nodos de ramificación se resumen en la Tabla 3. Las figuras 2 y 3 son ejemplos de árboles de decisión generados a partir de una cohorte de nuevo diagnóstico y un diagnóstico reciente de la etapa 4 cohortes, respectivamente. Los nodos que aparecen en cada árbol (fila) indican que la escala de calidad de vida (columna) se utilizó para clasificar el nivel de salud global para los pacientes en ese subgrupo clínico. N representa el número de pacientes en cada nodo. Cualquier nodo que apareció en al menos un árbol fue incluido en la Tabla 3 como una columna.
Las dos escalas de calidad de vida que se encuentran más comúnmente para clasificar la salud mundial fueron fatiga y el funcionamiento social. La fatiga se incluye en cada árbol de decisión, excepto uno. Las precisiones de clasificación oscilaron desde 62,3 hasta 74,5%. El nodo raíz de cada árbol indica el dominio EORTC QLQ-C30 que fue seleccionado por el algoritmo sobre todo el conjunto de datos contiene más información sobre el nivel de la salud mundial; el punto de corte para el nodo raíz era el valor de la variable calculada para dividir de manera óptima los datos. La fatiga fue el nodo raíz en 16 de los 23 árboles. Las variables no seleccionadas por el algoritmo para cualquier subconjunto de pacientes fueron náuseas /vómitos, disnea, estreñimiento, diarrea, problemas financieros, la edad al momento del diagnóstico y de la etapa.
Discusión
Este análisis multivariante se realizó durante dispares subgrupos clínicos para identificar dominios de calidad de vida que tenían niveles relativamente altos de acuerdo con los niveles generales de salud a nivel mundial. La cohorte del estudio estuvo compuesto por los participantes cuyo pronóstico oscilado entre curable a enfermos terminales con destino y desde recién diagnosticado a los pacientes que ya habían sido sometidos a múltiples líneas de quimioterapia. No obstante, todos estos pacientes todavía estaban buscando tratamiento. En este grupo clínicamente heterogéneo, el principal impulsor de la salud global fue la fatiga. Cuando los pacientes fueron subcategorized aún más por el sitio de origen o etapa del tumor, la fatiga del conductor permaneció predominante de la salud mundial en todos los subgrupos.
Este análisis se ve facilitada por el uso de árboles de decisión. Son fáciles de entender e interpretar, y por lo tanto tienen ciertas ventajas sobre los métodos comúnmente utilizados bioestadística. Un árbol genera un conjunto de reglas condicionales que pueden ser visualizados o escritas a cabo. A diferencia de otros métodos de análisis, los árboles de decisión no dependen de las variables de seguir cualquier tipo de distribución definida, estadística. Las variables pueden ser una combinación de valores continuos y categóricos. Los árboles de decisión son robustos, ya que no están tan afectados por los valores atípicos. Cualquier valor atípico se agrupan en un nodo y por lo tanto tendría poco o ningún efecto sobre la división de nodos y puntos de corte. Los árboles de decisión pueden trabajar con un gran número de variables, lo cual es una ventaja adicional de esta metodología [14].
En este análisis de la salud mundial se clasificó como bajo, medio o alto mediante el anclaje de estos valores con los datos reportados en encuestas de población general. Esta categorización se hizo para enmarcar el análisis en términos clínicamente intuitivos; Puntuación-bajos valores que eran casi dos desviaciones estándar por debajo de la población en general puntuación media (~ 45); alta puntuación de la población general de las puntuaciones medias (75) o por encima de [20].
La fatiga fue identificado en cada árbol de decisión, lo que representa 23 subgrupos clínicos, pero los pulmones de un recién diagnosticado. Fue el nodo raíz de 16/23 grupos de pacientes. Ningún otro elemento síntoma apareció como el nodo raíz. De los otros ocho dominios de los síntomas de la EORTC QLQ-C30, sólo el dolor, pérdida de apetito e insomnio (en un árbol) se utilizaron para clasificar el nivel de salud mundial. En algunos árboles, el algoritmo selecciona la fatiga como un nodo de múltiples veces. El determinante predominante de la salud global tal como se identifica por el algoritmo de árbol de decisión fue la fatiga. Estos resultados extienden hallazgos previos que informan de la fatiga como el conductor de la salud mundial [24,25]. Esto significa que si un médico sólo pudo hacer una pregunta de un paciente en un intento de descubrir su nivel de salud global, entonces sería pedir al paciente para informar de su nivel de fatiga.
El valor de este hallazgo fue subrayada por la aparición de la fatiga en diferentes contextos de pacientes. El papel de la fatiga fue independiente del sitio de origen, estadio de la enfermedad, y la etapa de tratamiento. Mediante la deconstrucción de los árboles de decisión en los conjuntos de reglas, puntos de corte específicos en los que la fatiga es un nodo de decisión identifica rangos específicos del contexto de los niveles de fatiga. En los casos en que la fatiga era un nodo raíz, los pacientes con enfermedad avanzada tienden a tener puntos de corte más altas (recién diagnosticados-vs 27,8 recurrente-38.9), lo que indica que el paciente era más avanzada fatigado. Para toda la cohorte del estudio, sin embargo, el punto de corte de la fatiga estaba cerca de los niveles normales de la población general (27,8 vs 24,1). Esto sugiere que los pacientes de cáncer con niveles elevados de fatiga pueden mejorar su calidad de vida en general, si se le da una atención clínica para la fatiga.
fatiga como un síntoma clínico sigue siendo una característica compleja paciente. Existe evidencia de que múltiples vías biológicas subyacentes (por ejemplo, depresión, insomnio, trastornos del ritmo circadiano, y la alteración de la función del sistema biológico), de forma independiente o en combinación pueden manifestar elevados niveles de fatiga [7,26,27]. Reconociendo la importancia de la fatiga como un conductor cuando los niveles globales de salud en general a través de los pacientes de cáncer con diferentes diagnósticos, las etapas de antecedentes sanitarios y el tratamiento es un primer paso para fomentar la comprensión de estas causas fundamentales [28,29].
Además de la fatiga, otros dominios de calidad de vida que predijeron la calidad de vida global coherente en subgrupos de pacientes eran sociales, el papel (relacionados con el trabajo) y el funcionamiento físico. Los síntomas menos comunes pero predictivos relevantes para ciertos subgrupos de pacientes incluidos pérdida de apetito, dolor e insomnio. síntomas constitucionales más comunes, como dolor y náuseas, que son vistos con frecuencia en pacientes con cáncer se podría esperar para conducir la percepción del paciente de la calidad de vida. Que este no es el caso en la presente investigación puede reflejar una capacidad mucho mayor para controlar estos síntomas con la nueva generación de analgésicos y antieméticos. Por lo tanto, se espera que el control del dolor y las náuseas mediante la aplicación de guías de buenas prácticas para la inmensa mayoría de los pacientes en nuestro estudio, independientemente de los antecedentes de tratamiento. Desafortunadamente, los síntomas como la fatiga todavía no se han controlado adecuadamente en la mayoría de los pacientes.
Además, la aparición de la fatiga de conducción en general la calidad de vida seguido de cerca por la importancia de los dominios del estado funcional, combinado con la falta relativa de la observación de los síntomas comúnmente reportados como conductores, pueden de alguna manera reforzar el modelo de Wilson Cleary que el estado funcional acciona directamente la calidad de vida en general y también puede sugerir una interpretación más compleja que la fatiga es algo más que un síntoma agudo, clínica. Los elementos de la encuesta EORTC que no fueron seleccionados por el algoritmo para cualquier subgrupos de pacientes fueron los artículos de síntomas náuseas /vómitos, disnea, estreñimiento, diarrea y problemas financieros. Las variables demográficas y clínicas, como la edad al momento del diagnóstico, el sexo y la etapa no se identificaron como predictores de la salud global mediante el algoritmo para cualquier subgrupos de pacientes. No se debe inferir que las variables de los pacientes que no fueron utilizados para clasificar los niveles de salud global en pacientes que no eran indicativos de la calidad de vida del paciente en absoluto ni que no se informaron como presente en los pacientes. Más bien, cada nodo de ramificación que fue seleccionado por el algoritmo para ser incluido en la estructura de árbol se determinó para contener la mayoría de la información sobre todas las otras variables, dado que establece pacientes. Aunque el estadio es un potente predictor de la duración de la supervivencia del paciente, en esta etapa cohorte de pacientes de tumor no se ha encontrado para ser un conductor de la calidad de vida en general, que es un hallazgo sorprendente en el mundo de la oncología [2].
Este estudio está limitado por el hecho de que varios puntos de datos que pueden ser relevantes no estaban disponibles en el momento del estudio (historias específicas de tratamiento, tiempo desde el diagnóstico, las condiciones de comorbilidad, estado funcional y otros dominios de calidad de vida específicos de cáncer como la neuropatía periférica) [30 ]. Estos resultados confirman el valor potencial de la inclusión de una pregunta sobre la fatiga en una herramienta de la calidad de vida de la comunidad que los oncólogos podrían utilizar de forma rutinaria en el tratamiento de los pacientes [31]. Los resultados también hacen hincapié en la importancia de identificar las vías biológicas que afectan directa o indirectamente a la experiencia de la fatiga del paciente; futuras investigaciones deberían incluir datos sobre las vías biológicas (por ejemplo, supresión de la médula ósea, recuento de glóbulos rojos, la depresión, los ritmos circadianos disruptivas, etc.) que están involucrados en la regulación de la fatiga [5,6,26,29].
Conclusión
Después de estratificar una gran base de datos de pacientes en subgrupos de tres veinte clínicamente relevantes, la fatiga era el dominio identificado con mayor frecuencia se utiliza para clasificar los niveles de salud a nivel mundial. No está claro si la fatiga es una variable proxy para la salud mundial, un generador directo de la misma, o un controlador de dominios funcionales que, a su vez, conducen a la salud mundial. Los resultados de este análisis apoyan la teoría de Wilson Cleary de la calidad de vida, pero también podría apoyar otros modelos teóricos.
Reconocimientos
Todos los autores participaron en el diseño del estudio, la recogida, gestión, análisis y la interpretación de los datos, y la preparación, revisión y aprobación del manuscrito. Los autores declaran que no existen conflictos de intereses. El estudio fue aprobado por el comité de revisión institucional del Centro Médico Regional del Medio Oeste.