Identification of underserved areas for urologic cancer care
Notice bibliographique
Résumé
BACKGROUND: The delivery of urologic oncology care is susceptible to regional variation. In the current study, the authors sought to define patterns of care for patients undergoing genitourinary cancer surgery to identify underserved areas for urologic cancer care in Washington State. METHODS: The authors accessed the Washington State Comprehensive Hospital Abstract Reporting System from 2003 through 2007. They identified patients undergoing radical prostatectomy, radical cystectomy (RC), partial nephrectomy (PN), radical nephrectomy, and transurethral resection of the prostate (TURP). TURP was included for comparison as a reference procedure indicative of access to urologic care. Hospital service areas (HSAs) are where the majority of local patients are hospitalized; hospital referral regions (HRR) are where most patients receive tertiary care. The authors created multivariate hierarchical logistic regression models to examine patient and HSA characteristics associated with the receipt of urologic oncology care out of the HRR for each procedure. RESULTS: Greater than one-half of patients went out of their HRR in 7 HSAs (11%) for radical prostatectomy, 3 HSAs (5%) for radical nephrectomy, 10 HSAs (15%) for PN, and 14 HSAs (22%) for RC. No HSAs had high export rates for TURP. Few patient factors were found to be associated with surgical care out of the HRR. High-export HSAs for PN and RC exhibited lower socioeconomic characteristics than low-export HSAs, adjusting for HSA population, race, and HSA procedure rates for PN and RC. CONCLUSIONS: Patients living in areas with lower socioeconomic status have a greater need to travel for complex urologic surgery. Consideration of geographic delineation in the delivery of urologic oncology care may aid in regional quality improvement initiatives.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».