Abstract

Fundo

Este manuscrito descreve uma abordagem para analisar grandes quantidades de dados clínicos diferentes para elucidar o maior impacto factor (es) que se relacionam com um resultado clínico significativo, neste caso, a qualidade de vida de doentes com cancro. As relações entre clínica e da qualidade de vida variáveis ​​foram avaliados usando o domínio de uma variável substituta EORTC QLQ-C30 saúde global validado para paciente com câncer de bem-estar geral.

Métodos

A transversal desenho do estudo foi utilizado para avaliar os determinantes da saúde global em pacientes com câncer que iniciaram o tratamento em dois centros médicos regionais entre janeiro de 2001 e dezembro de 2009. as variáveis ​​analisadas incluíram 15 EORTC QLQ-C30 escalas, a idade no momento do diagnóstico, sexo, recém-diagnosticados /doença recorrente status, e palco. O algoritmo de árvore de decisão, talvez desconhecido para os médicos que praticam, avalia a contribuição relativa dos parâmetros individuais na classificação de um ponto de extremidade funcional clinicamente significativos, como a saúde global de um paciente.

Achados

paciente múltipla características foram identificadas como importantes contribuintes. Fadiga, em particular, emergiu como o indicador mais prevalente de qualidade de vida dos doentes com cancro em 16/23 subconjuntos clinicamente relevantes. Esta análise permitiu resultados a ser indicado em um formato clinicamente-intuitivo, regra definida usando a própria ferramenta de linguagem e as quantidades de Qualidade de Vida (QV).

Interpretação

Ao aplicar os algoritmos de classificação a um grande conjunto de dados, a identificação da fadiga como fator de raiz na condução da saúde global e QV geral foi revelado. A capacidade para a prática de mineração de dados clínicos define a descobrir insights clínicos críticos que são imediatamente aplicáveis ​​às práticas de atendimento ao paciente é ilustrado

Citation:. McCabe RM, Grutsch JF, Braun DP, Nutakki SB (2015) Fadiga como um motorista de qualidade de vida em pacientes com câncer. PLoS ONE 10 (6): e0130023. doi: 10.1371 /journal.pone.0130023

Editor do Academic: Frank Emmert-Streib, University Belfast da rainha, REINO UNIDO

Recebido: 26 de novembro de 2014; Aceito: 16 de maio de 2015; Publicação: 12 de junho de 2015

Direitos de autor: © 2015 McCabe et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença Creative Commons Attribution, que permite uso irrestrito, distribuição e reprodução em qualquer meio, desde que o autor original ea fonte sejam creditados

Disponibilidade de dados: O manuscrito atual é compatível com a norma revista devido ao fato de que todos os dados contidos neste documento têm sido relatados no anterior PLOS ONE manuscrito intitulado “Can qualidade das avaliações de vida diferenciar pacientes com câncer heterogêneos?”. dados do nível do paciente não pode ser relatado em um repositório público sob as restrições de HIPAA, Registro de Câncer cumprimento IRB com os regulamentos federais e estaduais. Os leitores podem entrar em contato com o Dr. Donald Braun ([email protected]) para quaisquer outros pedidos sobre os dados utilizados neste manuscrito. Os investigadores que solicitam os dados do Dr. Braun será fornecido com um conjunto de dados anónimos

Financiamento:. O programa de pesquisa é financiado pelos Centros de tratamento de câncer da América. Centros de Tratamento do Câncer da América forneceu apoio sob a forma de salários para os autores Ryan M McCabe, James F Grutsch, Donald P Braun e Swetha B Nutakki mas não tinha nenhum papel adicional no desenho do estudo, recolha e análise de dados, decisão de publicar, ou preparação do manuscrito. Os papéis específicos destes autores são articuladas na seção “autor contribuições ‘

Conflito de interesses:. Os autores deste manuscrito tem os seguintes interesses concorrentes: O programa de pesquisa é financiado pelos Centros de tratamento de câncer da América. Ryan McCabe, James Grutsch, Donald Braun e Swetha Nutakki foram empregadas pelos Centros de tratamento de câncer da América durante a realização do estudo. Não há patentes, produtos em desenvolvimento ou produtos comercializados a declarar. Isto não altera a sua adesão a todas as políticas de PLoS One sobre os dados e materiais de compartilhamento.

Introdução

Quality atual de vida (QV) instrumentos de avaliação foram desenvolvidos para uso em ensaios clínicos para quantificar o benefícios das terapias inovadoras sobre carga de sintomas dos pacientes, o funcionamento e qualidade de vida global. investigadores clínicos descobriram que as escalas de qualidade de vida específicos fornecer informações sobre a duração da sobrevida do paciente, independentemente de variáveis ​​de prognóstico conhecidos [1,2]. Uma pesquisa recente determinou o significado clínico de mudanças nos escores de qualidade de vida [3,4]. A pesquisa adicional começou a ligar domínios de QV com caminhos biológicos clinicamente relevantes [5-7].

O surgimento de tratamentos oncológicos que prolongam a vida resultou em um número crescente de sobreviventes do cancro que vivem por muitos anos após a cessação de tratamento. Consequentemente, a avaliação da sua qualidade de vida e bem-estar do paciente tornou-se um importante resultado paciente. É um motor essencial da satisfação do paciente com sua equipe clínica [8] e poderia tornar-se cada vez mais uma consideração importante na clínico e tomada de decisão do paciente. formato modular do instrumento EORTC QLQ-C30 replica o modelo de Wilson e Cleary da qualidade relacionada com a saúde de vida (QV), que é uma sequência de construções interligadas que começam com o estado fisiológico e doença; o progresso para o estado sintoma, funcionamento e percepção de saúde geral e termina com a satisfação com QV geral [9-12] (Fig 1).

A via geralmente progride da esquerda para a direita, começando com a construção do estado de doença , estado sintomático, estado funcional, qualidade de vida e satisfação do paciente com qualidade de vida. Cada construção é composto por vários atributos do paciente e também é afetada por características individuais e ambientais.

O objectivo principal do estudo é investigar preditores de QoL usando uma abordagem inovadora de análise de árvore de decisão. Esta pesquisa usou um grande banco de dados composto por uma população paciente de câncer heterogênea com paciente relatou Outcomes (PRO), dados demográficos e clínicos. A análise pacientes estratificados por local de origem, o estágio da doença e tratamento história, isto é, se eles foram submetidos a primeiro ou posteriores linhas de terapia. Conjuntos de árvores de decisão gerada pelo algoritmo foram usadas para identificar os condutores de avaliação do paciente de sua qualidade de vida. As árvores de decisão pode gerar previsões precisas, lidar com misturas de dados categóricos e contínuos, indicam faixas de valores em que as variáveis ​​são mais preditiva, e têm a vantagem de que seus resultados podem ser descritas em etiquetas clinicamente intuitivos, ao invés de terminologia e quantidades estatística [13-15 ]. As árvores de decisão têm sido utilizados com sucesso em vários cenários no domínio médico [16,17], incluindo a previsão erros no cuidado de doenças crônicas, identificando sinais de reações adversas a medicamentos, e detectar artefatos em dados de UTI neonatal. A utilização de árvores de decisão para descobrir os condutores de qualidade de vida em pacientes com câncer é uma nova aplicação. Este método permite a investigação de se os drivers de QV são diversas e depende tipo de doença ou são em número reduzido e independente do tipo de doença e sua progressão.

Métodos

Desenho do estudo

Um projeto estudo transversal foi utilizado para avaliar os determinantes da saúde global em 8478 pacientes com câncer que iniciaram o tratamento em dois centros de tratamento de câncer da América centros médicos regionais entre janeiro de 2001 e dezembro de 2009. o pessoal administrativo oferecido todos os pacientes em perspectiva, independentemente do tratamento ou antecedentes de doença, a oportunidade de completar o instrumento EORTC QLQ-C30 no momento da chegada na clínica, antes de sofrer tratamento. O único critério para a participação estava sendo capaz de ler e concluir o inquérito em Inglês. Os dados demográficos foram fornecidos pelos registros de câncer de cada centro. Todos os pacientes deram consentimento por escrito. Este estudo foi aprovado pelo conselho de revisão institucional do Centro-Oeste Centro Médico Regional.

QV Instrumento

O EORTC QLQ-C30 é um [3] e amplamente utilizado [18] instrumento de pesquisa validado que recolhe Paciente Resultados -Reportagem (PRO) para os sintomas rotineiramente encontrada em pacientes com câncer. Ele coleta dados sobre o funcionamento e avaliação de sua QV geral do paciente. O aparelho é composto de 30 perguntas. As respostas a essas perguntas variam de 1 a 4 para o sintoma e domínios funcionamento (1 = Não, 4 = muito) ou 1 a 7 para o domínio da saúde global (1 = muito pobre, 7 = excelente). As respostas a todas as perguntas são linearmente transformado em uma pontuação de 0-100 em cada um dos 15 categórica (nove sintomas, cinco funções e uma saúde global), as escalas não sobrepostas (isto é, cada resposta só é usado para determinar uma pontuação em escala). O cansaço sintomas, dor e náuseas /vómitos são cada um composto por questões de múltipla. Por exemplo, a fadiga é composta de três perguntas que pedem os pacientes sobre a sua necessidade de descansar, sensação de fraqueza, e o nível de cansaço. As escalas de sintomas restantes são itens únicos que abordam: dispnéia, perda de apetite, insônia, constipação, diarréia e o efeito financeiro percebida da doença e do tratamento. Os cinco domínios de funcionamento são: física, o papel (relacionado ao trabalho), cognitivo, emocional e social. O item saúde global combina as respostas de duas questões: avaliação de sua saúde geral e QV geral dos pacientes. Para o funcionamento e as escalas de saúde globais, uma pontuação mais elevada representa um melhor nível de funcionamento, enquanto que para itens de sintomas, uma pontuação mais elevada representa sintomas mais graves [19].

As variáveis ​​analisadas

A variável de desfecho do estudo foi a saúde global, e que o objetivo das análises foi identificar a estrutura e precisão das árvores. Esta análise inclui todas as 15 escalas EORTC QLQ-C30, e as seguintes variáveis ​​demográficas e clínicas do Registro de Câncer: idade no momento do diagnóstico, sexo, recém-diagnosticado /recorrente estado da doença, melhor AJCC (Comité Misto Americana do Câncer) estágio no momento do diagnóstico para o grupo de pacientes analítica e regional da doença /metastático para pacientes com câncer recorrente. Essas variáveis ​​foram utilizadas como insumos para gerar regras de classificação para prever os níveis globais de saúde para pacientes individuais. Sexo, recém-diagnosticado estatuto /recorrente, e estágio foram definidos como variáveis ​​categóricas.

As variáveis ​​clínicas local de origem, recém-diagnosticados ou recaída da doença e estágio para os indicadores poderosos recém-diagnosticados são de vida do paciente. Essas variáveis ​​foram utilizadas para gerar grupos experimentais com prognósticos distintos que variaram de curável para hospice-bound. Esses subgrupos foram analisados ​​de forma independente para determinar se os controladores da saúde global diferiram por prognóstico ou se os condutores de saúde global são independentes do local de origem e progressão da doença.

método Analytic

O objetivo deste a análise foi identificar os determinantes da saúde global de uma perspectiva clínica. pontuações globais de saúde foram estratificados em três classes clinicamente distintas: baixo, médio e alto. Esta estratificação foi baseado em pontuações derivadas de levantamentos de populações gerais europeus [20]. Essas pesquisas foram de base populacional e conduzida sem o conhecimento do estado de saúde dos participantes. Determinou-se a estratificação da pontuação global de saúde

a priori

. A baixa pontuação de saúde global correspondeu a valores que eram quase dois desvios-padrão abaixo da população em geral significa pontuação (~ 45). Uma alta pontuação global de saúde corresponderam a pontuação média da população geral (75) ou acima [20]. Portanto, os pacientes com pontuações 66,67 foram definidos como alta; baixo ≤ 33,33; médio variou entre 33,33 e incluindo 66,67 [3]. Das variáveis ​​demográficas utilizados nesta análise, apenas a idade no momento do diagnóstico foi contínua. algoritmos de decisão árvores foram parametrizados para acomodar o tipo de cada variável (por exemplo, contínuo, categórico, etc.).

Gerar uma árvore de decisão

As árvores de decisão (muitas vezes chamado de classificação e regressão Trees-CART ) pode ser utilizado nas análises multivariadas, onde as distribuições subjacentes de dados são desconhecidos ou não-normal e as variáveis ​​são categóricos [16]. algoritmos de decisão da árvore de pesquisar todo o conjunto de dados para identificar o mais preditivo variável disponível em relação à variável-alvo (por exemplo, a saúde global). O algoritmo calcula o valor ideal dessa variável ramificação para bifurcam os dados e maximizar a precisão da classificação. Este processo é repetido recursivamente em cada divisão dados ajustados até que os dados não são mais dividida e um nó terminal é gerado para classificar os dados nesse ramo.

Este algoritmo usado coeficientes de Gini para computar as melhores separações para cada nó de ramificação em uma determinada árvore [14,21]. A precisão de uma determinada árvore (uma medida bem-of-fit) foi calculado pelo correndo um registro de dados em nível de paciente através dos ramos da árvore até que um terminal, nó folha foi alcançado e uma classificação atribuída. A porcentagem de pacientes corretamente classificados foi calculada para todo o conjunto de dados.

Para garantir o algoritmo não gerar uma árvore de decisão que era demasiado específica para um determinado conjunto de dados (ou seja, sacrificar a generalização), uma técnica chamada 10- dobre validação cruzada foi utilizado. Antes de uma árvore foi gerado, um conjunto de dados foi dividida aleatoriamente em 10 subconjuntos de igual tamanho. O algoritmo usado nos primeiros nove subconjuntos para gerar uma árvore eo realizada limite definido para validar a exactidão da árvore. A técnica de validação cruzada rodado este processo através de cada um dos restantes nove subconjuntos para um total de dez iterações. Em vez de selecionar a árvore mais preciso do grupo, uma árvore composta foi criado a partir das 10 árvores resultantes [22]. A última etapa (poda) reduziu o tamanho da árvore, retirando galhos da árvore que forneceu pouca ou nenhuma melhoria na precisão da previsão. Poda reduz a possibilidade de sobre-montagem que pode ser devido à presença de outliers nos dados de treino. Isso faz com que a árvore menor e mais simples para gerar conjuntos de regras. Este processo completo é executado para cada subgrupo testado clínica.

Como ler um

árvore de decisão

Figura 2 é um exemplo de uma árvore de decisão gerada utilizando os pacientes diagnosticados de novo e a Fig 3 é um exemplo gerado usando recém-diagnosticados estágio 4 pacientes a partir deste conjunto de dados. Na figura 2, a fadiga é o nó raiz, o que significa que, de todos os pontos de dados de pacientes em estudo, fadiga classificadas saúde global com mais precisão, se nenhuma informação adicional estava disponível. O ponto de corte para a fadiga no nó raiz é 27,78. Se um determinado paciente teve uma fadiga pontuação ≥ 27,78, então o ramo direito seria atravessado, eo processo é repetido com o próximo nó até que uma classificação de saúde global podem ser feitas em um nó terminal ou folha. Por exemplo, se um paciente tem uma pontuação fadiga 27,78, em seguida, o paciente é classificado de ter elevado para a saúde global com nenhuma informação adicional necessária. Uma variável pode ser selecionado várias vezes como um nó de ramificação porque diferentes valores da variável que, em conjunto com os valores das variáveis ​​anteriormente seleccionados, pode conter mais informações relativamente a outras variáveis ​​em que subconjunto. Na figura 3, a função de papel é o nó raiz com um ponto de corte de 75.

Para prever o nível global de saúde de um paciente, comece no nó raiz (oval superior), atravessar os ramos-dependendo dos valores específicos de individual do paciente dados e chegar a um nó folha (retângulo). O nó de folha é a previsão de baixa, média ou alta de saúde global para esse paciente. Caminhos percorridos a partir do nó de raiz para cada nó de folha pode ser reformulada como um conjunto de regras condicional listando os condutores dos níveis globais de saúde.

Esta árvore tem a função de papel como o nó raiz (primeira divisão) e fadiga e dor como próximos splits. ‘N’ em cada nó representa o número de pacientes.

nós de classificação são nós terminais que não dividir mais. A precisão da classificação de uma árvore é uma indicação de quão grande parte da estrutura no conjunto de dados da árvore capturou. Atravessando ramos de uma árvore de decisão, começando com o nó raiz e terminando em um nó de classificação, conjuntos de regras condicionais pode ser identificado e corrigido em termos clínicos.

Resultados

dados demográficos do paciente

os registos de cancro identificados 23,783 potenciais participantes a partir do qual 12.357 acordadas para completar o instrumento anterior consulta clínica inicial em dois CTCA centros médicos regionais entre janeiro de 2001 e dezembro de 2009. 11.469 pacientes devolveram o questionário. O número de entrevistados que se submeteram ao tratamento no CTCA e completaram a avaliação da QV foi 8478 pacientes. Os dados demográficos dos participantes (Tabela 1) foram comparados com os não-participantes e foram encontrados para ser semelhante em pesquisas anteriores [23].

Este estudo envolveu pacientes de todas as fases da história natural da diagnosticados doença (Tabela 1). Os pacientes tendem a ser relativamente jovem para pacientes com câncer, com uma maioria de participantes ser do sexo feminino (n = 4505; 56%). Quase dois terços (65%) destes pacientes tinham doença originário do pulmão, mama, cólon ou do recto, próstata e pâncreas. Esta população de pacientes foi inclinado para pacientes que tiveram recorrência da doença. Dos pacientes que apresentam com a doença recém-diagnosticada, mais da metade tinha estágio 3 ou 4 da doença (55%).

pontuações de saúde globais foram distribuídos da Baixa (23%), Médio (43%) e alta (34 %) classes. A Tabela 2 compara os escores dos domínios QV de duas coortes prognóstico distintos na população do estudo de uma coorte população em geral [20].

Árvore de Decisão

A população de doentes foi estratificada em sub clínica -Grupos por local de origem, recém-diagnosticado /recaída, e estágio AJCC para o recém-diagnosticados. Cada subconjunto de dados foi utilizado para gerar uma representação de árvore de decisão que a sub-grupo clínico. As escalas de sintomas e funcionamento, que estavam presentes em cada árvore como pontos de ramificações estão resumidos na Tabela 3. As Figs 2 e 3 são exemplos de árvores de decisão geradas a partir de uma coorte de diagnóstico recente e um recém-diagnosticado fase 4 coorte, respectivamente. Os nós que aparecem em cada árvore (linha) indicam que a escala QV (coluna) foi utilizado para classificar o nível de saúde global para os pacientes em que a sub-grupo clínico. N representa o número de pacientes em cada nó. Qualquer nó que apareceu em pelo menos uma árvore foi incluído na Tabela 3 como uma coluna.

As duas escalas de qualidade de vida que foram mais comumente encontradas para classificar saúde global foram fadiga e funcionamento social. A fadiga foi incluído em cada árvore de decisão, exceto um. As precisões de classificação variou de 62.3-74.5%. O nó raiz para cada árvore indicou o domínio EORTC QLQ-C30 que foi selecionado pelo algoritmo sobre todo o conjunto de dados como contendo mais informações sobre nível de saúde global; o ponto de corte para o nó da raiz foi o valor da variável calculada para optimamente dividir os dados. A fadiga foi o nó raiz em 16 das 23 árvores. As variáveis ​​não selecionadas pelo algoritmo para qualquer subconjunto de doentes foram náuseas /vómitos, dispnéia, constipação, diarréia, problemas financeiros, idade ao diagnóstico e palco.

Discussão

Esta análise multivariada foi realizado durante díspares subgrupos clínicos para identificar os domínios de qualidade de vida que tinham níveis relativamente altos de acordo com os níveis globais de saúde globais. A coorte do estudo foi composta por participantes cujos prognósticos variaram de curável para hospício amarrada e de recém-diagnosticados a doentes que já haviam sido submetidos a várias linhas de quimioterapia. No entanto, todos estes pacientes ainda estavam procuram tratamento. Neste grupo clinicamente heterogênea, o principal condutor da saúde global foi a fadiga. Quando os pacientes foram ainda subcategorizados por local de origem ou tumor fase, fadiga permaneceu o motorista predominante da saúde global entre os subgrupos.

Esta análise foi facilitada pelo uso de árvores de decisão. Elas são fáceis de compreender e interpretar e, portanto, têm certas vantagens sobre os métodos bioestatística comumente usados. Uma árvore gera um conjunto de regras condicionais que podem ser visualizados ou escritas fora. Ao contrário de outros métodos de análise, árvores de decisão não dependem das variáveis ​​de seguir qualquer tipo de distribuição definida, estatística. As variáveis ​​podem ser uma combinação de valores e categóricas. As árvores de decisão são robustos como eles não são tão afetados por valores discrepantes. Qualquer outlier seriam agrupados em um nó e, assim, teria pouco ou nenhum efeito sobre nodos de divisão e os pontos de corte. As árvores de decisão podem trabalhar com um grande número de variáveis, o que é uma vantagem adicional dessa metodologia [14].

Nesta análise global de saúde foi classificado como baixo, médio ou alto, ancorando estes valores com os dados reportados em inquéritos à população em geral. Esta categorização foi feito para enquadrar a análise em termos clinicamente intuitivos; Contagem-baixos valores que eram quase dois desvios-padrão abaixo da população em geral significa pontuação (~ 45); população elevada pontuação geral pontuações médias (75) ou acima [20].

A fadiga foi identificada em cada árvore de decisão, o que representa 23 sub-grupos clínicos, mas pulmão de um recém-diagnosticados. Foi o nó raiz para 16/23 grupos de pacientes. Nenhum outro item sintoma apareceu como o nó raiz. Dos outros oito domínios de sintomas no EORTC QLQ-C30, apenas dor, perda de apetite e insônia (em uma árvore) foram usados ​​para classificar o nível de saúde global. Em algumas árvores, o algoritmo seleccionado fadiga como um nó várias vezes. O determinante predominante da saúde global como identificado pelo algoritmo de árvore de decisão foi a fadiga. Estas descobertas estendem descobertas anteriores que relatam fadiga como o condutor da saúde global [24,25]. Isto significa que se um médico só podia fazer uma pergunta de um paciente em uma tentativa de descobrir o seu nível global de saúde, em seguida, iriam pedir ao paciente para relatar seu nível de fadiga.

O valor deste achado foi sublinhada pela o aparecimento de fadiga em diferentes contextos paciente. O papel da fadiga foi independente do local de origem, o estágio da doença, e estágio do tratamento. Desconstruindo as árvores de decisão em conjuntos de regras, pontos de corte específicos em que a fadiga é um nó de decisão identifica faixas específicas ao contexto de níveis de fadiga. Nos casos em que a fadiga foi um nó raiz, os pacientes com doença avançada tendem a ter pontos de corte mais altas (recém-diagnosticada por 27,8 vs recorrente-38,9), indicando que o paciente avançado estava mais cansado. Para toda a coorte do estudo, no entanto, o ponto de corte da fadiga estava perto de níveis populacionais gerais normais (27,8 vs 24,1). Isto sugere que pacientes com câncer com níveis elevados de fadiga pode melhorar a sua qualidade de vida global, se for dada uma atenção clínica para a fadiga.

A fadiga como sintoma clínico continua a ser uma característica complexa paciente. Existe evidência de que múltiplos caminhos biológicos subjacentes (por exemplo, depressão, insônia, perturbações do ritmo circadiano, e interrupção da função do sistema biológico), de forma independente ou em combinação pode se manifestar níveis de fadiga elevados [7,26,27]. Reconhecendo a importância da fadiga como um motorista de níveis globais de saúde globais em toda a doentes oncológicos com diferentes diagnósticos, estágios de histórias doença e do tratamento é um primeiro passo para aprofundar a compreensão dessas causas [28,29].

além de fadiga, outros domínios de QV que predisseram QV geral de forma consistente em pacientes sub-grupos foram sociais, o papel (relacionado ao trabalho) e funcionamento físico. Menos sintomas preditivos comuns, mas relevantes para certos subgrupos de pacientes incluídos perda de apetite, dor e insônia. sintomas constitucionais mais comuns, tais como dor e náuseas, que são vistos frequentemente em pacientes com câncer pode ser esperado para impulsionar percepção do paciente da qualidade de vida. Que este não é o caso no presente inquérito pode refletir uma capacidade muito maior para controlar esses sintomas com a geração mais recente de dor e medicamentos anti-eméticos. Assim, o controle da dor e náuseas através da aplicação de orientações sobre melhores práticas está prevista para a grande maioria dos pacientes em nosso estudo independentemente do histórico de tratamento. Infelizmente, os sintomas tais como fadiga ainda têm de ser controlados de forma adequada, na maioria dos pacientes.

Além disso, o aparecimento de fadiga condução QV geral seguido de perto pela importância dos domínios estado funcional, combinada com a relativa falta de observação dos sintomas comumente relatados como motoristas, pode em alguns aspectos reforçar o modelo Wilson Cleary que o estado funcional aciona diretamente a qualidade de vida em geral e também pode sugerir uma interpretação mais complexa que a fadiga é algo mais do que um sintoma agudo, clínica. Os itens da pesquisa EORTC que não foram selecionados pelo algoritmo para quaisquer subgrupos de pacientes foram os itens de sintomas náuseas /vômitos, dispnéia, constipação, diarréia e problemas financeiros. As variáveis ​​demográficas e clínicas incluindo a idade no momento do diagnóstico, gênero e estágio não foram identificados como preditivo da saúde global pelo algoritmo para quaisquer subgrupos de pacientes. Não deve-se inferir que as variáveis ​​do paciente que não foram utilizados para classificar os níveis globais de saúde em pacientes não eram indicativos da qualidade de vida do paciente em tudo, nem que eles não foram relatados como presente nos pacientes. Em vez disso, cada nó de ramificação que foi seleccionado pelo algoritmo para ser incluído na estrutura de árvore foi determinada para conter a maior parte das informações sobre todas as outras variáveis, dado que definir pacientes. Embora estágio é um poderoso preditor da duração da sobrevida do paciente, nesta fase coorte de pacientes do tumor não foi encontrado para ser um motorista de QV geral, que é uma descoberta surpreendente no mundo da oncologia [2].

Este estudo é limitado pelo fato de que vários pontos de dados que podem ser relevantes não estavam disponíveis no momento do estudo (histórias de tratamento específico, o tempo desde o diagnóstico, comorbidades, status de desempenho e outros domínios de qualidade de vida específicos do cancro como neuropatia periférica) [30 ]. Estes resultados confirmam o valor potencial da inclusão de uma pergunta sobre fadiga em uma ferramenta de qualidade de vida que os oncologistas comunidade poderia rotineiramente usar em seu tratamento dos pacientes [31]. Os resultados também enfatizam a importância de identificar os caminhos biológicos que afetam direta ou indiretamente a experiência da fadiga do paciente; investigações futuras devem incluir dados sobre vias biológicas (por exemplo, supressão da medula óssea, a contagem de células vermelhas do sangue, depressão, ritmos circadianos disruptivas, etc.) que estão envolvidos na regulação da fadiga [5,6,26,29].

Conclusão

Depois de estratificar um grande banco de dados do paciente em vinte subconjuntos três clinicamente relevantes, fadiga foi o domínio mais comumente identificados usada para classificar os níveis globais de saúde. Não está claro se a fadiga é uma variável proxy para a saúde global, um motorista direta do mesmo, ou um controlador de domínios de funcionamento que, por sua vez, conduzem a saúde global. Os resultados desta análise apoiar a teoria de Wilson Cleary de qualidade de vida, mas também poderia suportar outros modelos teóricos.

Agradecimentos

Todos os autores foram envolvidos no desenho do estudo, coleta, gestão, análise e interpretação dos dados, e elaboração, revisão e aprovação do manuscrito. Os autores declaram que não há conflitos de interesse. O estudo foi aprovado pelo conselho de revisão institucional do Centro-Oeste Centro Médico Regional.