A patient-centred approach toward surgical wait times for colon cancer: a population-based analysis
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: Administrative wait times reflect the time from the decision to treat until surgery; however, this does not reflect the total time a patient actually waits for treatment. Several factors may prolong the wait for colon cancer surgery. We sought to analyze the time from the date of surgical consultation to the date of surgery and any events within this time frame that may extend wait times. METHODS: We retrospectively reviewed the cases of all adult patients in Ontario aged 18-80 years with diagnosed colon cancer who did not receive neoadjuvant therapy and underwent resection electively between Jan. 1, 2002, and Dec. 31, 2009. Wait times were measured from the date of surgical consultation to the date of surgery. We chose a wait time of 28 days, reflecting local administrative targets, as a comparative benchmark. We performed univariate and multivariate analyses to identify variables contributing to a waits longer than 28 days. Variables were analyzed in continuous linear and logistic regression models. RESULTS: We included 10 223 patients in our study. The median wait time from initial surgical consultation to resection was 31 (range 0-182) days. Age older than 65 years had a negative impact on wait time. Preoperative services, including computed tomography, cardiac consultation, echocardiography, multigated acquisition scan, magnetic resonance imaging, colonoscopy and cardiac catheterization also significantly increased wait times. Wait times were longer in rural hospitals. CONCLUSION: Preoperative services significantly increased wait times between initial surgical consultation and surgery.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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