Disparities in access to care at high‐volume institutions for uro‐oncologic procedures
Notice bibliographique
Résumé
BACKGROUND: Socioeconomic status represents an established barrier to health care access. Age, sex, and race may also play a role. The authors examined whether these affect the access to high-volume hospitals for uro-oncologic procedures in the United States. METHODS: Within the Nationwide Inpatient Sample (NIS), the authors focused on radical prostatectomy (RP), radical cystectomy, and nephrectomy (Nx) performed within the 5 most contemporary years (2003-2007). Logistic regression models were used to estimate the impact of the primary predictors on the likelihood of receiving care at a high-volume hospital. RESULTS: Between 2003 and 2007, 62,165 RP, 6557 radical cystectomy, and 28,062 Nx cases were recorded within the NIS. Patient age (P = .001), year of surgery (P = .001), Charlson Comorbidity Index (P ≤ .025), median Zip Code income (highest vs lowest quartile, P = .001), and insurance status (private vs Medicare, P = .008) were independent predictors of being treated at high-volume institutions. Moreover, black race was an independent predictor of decreased utilization of high-volume institutions for radical cystectomy (P = .012), and female sex was an independent predictor of decreased utilization of high-volume institutions for Nx (P = .016). CONCLUSIONS: On average, old, sick, poor, and Medicare patients were less likely to be treated at high-volume hospitals for uro-oncologic surgery. Similarly, black patients were less likely to have a radical cystectomy at a high-volume hospital, and female patients were less likely to have an Nx at a high-volume hospital. Selective referral of individuals who are less likely to receive care at such institutions may represent a health care priority intended to optimize outcomes across all population strata.
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 ».