Beröringsbehandling hos patienter med cancer : En litteraturöversikt

Bakgrund: Varje år diagnostiseras cirka 64 000 personer med cancer och tumörsjukdomar är den näst vanligaste dödsorsaken i Sverige. Att få diagnosen cancer innebär en påfrestande tid både fysiskt och psykiskt. Sjuksköterskans arbetsuppgift är bland annat att lindra lidande och främja för god hälsa. Beröring är ett allmänmänskligt livslångt behov och blir extra tydligt när en dödlig sjukdom drabbar en människa. Syfte: Syftet är att belysa erfarenheter av beröringsbehandling hos sjuksköterskor och patienter med cancer. Metod: Studien har valt att genomföras som en litteraturöversikt, där 14 vetenskapliga artiklar användes varav 5 kvalitativa och 9 kvantitativa. Resultat: Resultatet delades in i två områden: Patienters erfarenheter av beröringsbehandling och sjuksköterskors erfarenheter av beröringsbehandling. Under området patienters erfarenheter framkom två kategorier: lindrande inverkan och främjande inverkan, samt underkategorierna: fysiskt obehag, psykiskt obehag, välbefinnande och närhet. Under området sjuksköterskors erfarenheter framkom en kategori: utbildning i beröringsbehandling samt underkategorin: upplevelser av beröringsbehandling. Slutsats: Beröringsbehandling har en kortvarig symtomlindrande inverkan på smärta, ångest, illamående samt ger ökat välbefinnande och livskvalitet. Därtill förbättrades kontakten mellan sjuksköterska och patient som bidrog till att den existentiella ensamheten minskades. Sjuksköterskorna såg patienten som en individ istället för en patient med en sjukdom.

Simultaneous prediction of symptom severity and cause in data from a test battery for Parkinson patients, using machine learning methods

The main purpose of this thesis project is to prediction of symptom severity and cause in data from test battery of the Parkinson’s disease patient, which is based on data mining. The collection of the data is from test battery on a hand in computer. We use the Chi-Square method and check which variables are important and which are not important. Then we apply different data mining techniques on our normalize data and check which technique or method gives good results.The implementation of this thesis is in WEKA. We normalize our data and then apply different methods on this data. The methods which we used are Naïve Bayes, CART and KNN. We draw the Bland Altman and Spearman’s Correlation for checking the final results and prediction of data. The Bland Altman tells how the percentage of our confident level in this data is correct and Spearman’s Correlation tells us our relationship is strong. On the basis of results and analysis we see all three methods give nearly same results. But if we see our CART (J48 Decision Tree) it gives good result of under predicted and over predicted values that’s lies between -2 to +2. The correlation between the Actual and Predicted values is 0,794in CART. Cause gives the better percentage classification result then disability because it can use two classes.