Volume-outcome relationships for head and neck cancer surgery in a universal health care system
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: We aimed to assess whether surgeon and/or institution resection volume predicts long-term overall survival in head and neck cancer in a publicly funded healthcare system. STUDY DESIGN: Population-based retrospective cohort study. METHODS: Head and neck cancer patients in Ontario, Canada, who underwent a resection confirmed by both hospital-level and physician-level administrative data between 1993 and 2010, comprised our cohort (N = 5,720). Physician and hospital volumes were calculated based on number of cases performed in the year prior by the physician and at an institution performing each case, respectively. A multilevel hierarchical Cox regression model was used to estimate the effect on overall survival of each 25 increase in procedure volume. RESULTS: A crude model without patient or treatment characteristics demonstrated that both surgeon volume (hazard ratio [HR]: 0.927, 95% confidence interval [CI]: 0.879-0.978, P = .006) and hospital volume (HR: 0.980, 95% CI: 0.970-0.991, P = .0003) were associated with improved overall survival. After controlling for clustering and patient/treatment covariates, hospital volume (HR: 0.976, 95% CI: 0.955-0.997, P = .02), but not physician volume (HR: 1.042, 95% CI: 0.941-1.155, P = .43), remained a statistically significant predictor of overall survival. This translates into a 2.4% decrease in the HR for every 25 additional cases performed at an institution. CONCLUSIONS: Both high-volume surgeons and hospitals are predictors of better overall survival in head and neck cancer patients. However, the effect is largely explained by hospital volume. This benefit, at the institution level, could potentially be explained by important processes of care that contribute to overall survival.
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 | 0,000 |
| 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 ».