A Quantitative Analysis of the Relationship Between Radiation Therapy Use and Travel Time
Notice bibliographique
Résumé
PURPOSE: To model and quantify the relationship between radiation therapy (RT) use and travel time to RT services. METHODS AND MATERIALS: Population-based registries and databases were used to identify both incident cancer patient and patients receiving RT within 1 year of diagnosis (RT1y) in British Columbia, Canada, between 1992 and 2011. The effects of age, gender, diagnosis year, income, prevailing wait time, and travel duration for RT on RT1y were assessed. Significant factors from univariate analyses were included in a multivariable logistic regression model. The shape of the travel time-RT1y curve was represented by generalized additive and segmented regression models. Analyses were conducted for breast, lung, and genitourinary cancer separately and for all cancer sites combined. RESULTS: After adjustment for age, gender, diagnosis year, income, and prevailing wait times, increasing travel time to the closest RT facility had a negative impact RT1y. The shape of the travel time-RT1y curve varied with cancer type. For breast cancer, the odds of RT1y were constant for the first 2 driving hours and decreased at 17% per hour thereafter. For lung cancer, the odds of RT1y decreased by 16% after 20 minutes and then decreased at 6% per hour. Genitourinary cancer RT1y was relatively independent of travel time. For all cancer sites combined, the odds of RT1y were constant within the first 2 driving hours and decreased at 7% per hour thereafter. CONCLUSIONS: Travel time to receive RT has a different impact on RT1y for different tumor sites. The results provide evidence-based insights for the configuration of catchment areas for new and existing cancer centers providing RT.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».