Disparities in selective referral for cancer surgeries: implications for the current healthcare delivery system
Notice bibliographique
Résumé
OBJECTIVES: Among considerable efforts to improve quality of surgical care, expedited measures such as a selective referral to high-volume institutions have been advocated. Our objective was to examine whether racial, insurance and/or socioeconomic disparities exist in the use of high-volume hospitals for complex surgical oncological procedures within the USA. DESIGN, SETTING AND PARTICIPANTS: Patients undergoing colectomy, cystectomy, oesophagectomy, gastrectomy, hysterectomy, lung resection, pancreatectomy or prostatectomy were identified retrospectively, using the Nationwide Inpatient Sample, between years 1999 and 2009. This resulted in a weighted estimate of 2 508 916 patients. PRIMARY OUTCOME MEASURES: Distribution of patients according to race, insurance and income characteristics was examined according to low-volume and high-volume hospitals (highest 20% of patients according to the procedure-specific mean annual volume). Generalised linear regression models for prediction of access to high-volume hospitals were performed. RESULTS: Insurance providers and county income levels varied differently according to patients' race. Most Caucasians resided in wealthier counties, regardless of insurance types (private/Medicare), while most African Americans resided in less wealthy counties (≤$24 999), despite being privately insured. In general, Caucasians, privately insured, and those residing in wealthier counties (≥$45 000) were more likely to receive surgery at high-volume hospitals, even after adjustment for all other patient-specific characteristics. Depending on the procedure, some disparities were more prominent, but the overall trend suggests a collinear effect for race, insurance type and county income levels. CONCLUSIONS: Prevailing disparities exist according to several patient and sociodemographic characteristics for utilisation of high-volume hospitals. Efforts should be made to directly reduce such disparities and ensure equal healthcare delivery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».