Impact of aggressive management and palliative care on cancer costs in the final month of life
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: A significant share of the cost of cancer care is concentrated in the end-of-life period. Although quality measures of aggressive treatment may guide optimal care during this timeframe, little is known about whether these metrics affect costs of care. METHODS: This study used population data to identify a cohort of patients who died of cancer in Ontario, Canada (2005-2009). Individuals were categorized as having received or having not received aggressive end-of-life care according to quality measures related to acute institutional care or chemotherapy administration in the end-of-life period. Costs (2009 Canadian dollars) were collected over the last month of life through the linkage of health system administrative databases. Multivariate quantile regression was used to identify predictors of increased costs. RESULTS: Among 107,253 patients, the mean per-patient cost over the final month was $18,131 for patients receiving aggressive care and $12,678 for patients receiving nonaggressive care (P < .0001). Patients who received chemotherapy in the last 2 weeks of life also sustained higher costs than those who did not (P < .0001). For individuals receiving end-of-life care in the highest cost quintile, early and repeated palliative care consultation was associated with reduced mean per-patient costs. In a multivariate analysis, chemotherapy in the 2 weeks of life remained predictive of increased costs (median increase, $536; P < .0001), whereas access to palliation remained predictive for lower costs (median decrease, $418; P < .0001). CONCLUSIONS: Cancer patients who receive aggressive end-of-life care incur 43% higher costs than those managed nonaggressively. Palliative consultation may partially offset these costs and offer resultant savings.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découle