Health outcome and economic measurement in breast cancer surgery: challenges and opportunities
Notice bibliographique
Résumé
As breast cancer surgery techniques continue to advance, treatment options continue to increase, bringing with them increased scrutiny of health outcomes and healthcare cost. In addition, patients are becoming more involved in their own medical care and are demanding meaningful data to help them better understand expected outcomes. With these changes and advancements, there is a growing emphasis on evidence-based practice. In this article, we focus on scientific considerations, challenges to and opportunities for improving outcome measurement related to breast cancer surgery. There are two main messages from this article. First, until recently, rigorously developed specific patient-reported outcome (PRO) measures for breast cancer surgery patients have not been available for use. However, with the recent introduction of new PRO measures, such as the BREAST-Q, there is now good potential to collect useful outcome data on patient satisfaction and health-related quality of life, and to better understand the relative impact of different surgical procedures, decision making and clinical practice on patient outcome. Thus, PRO research using rigorously developed breast cancer surgery-specific measures is in its infancy, but growing steadily. Second, there is a great need but lack of specific health economic measures developed for use in breast cancer surgery research. In fact, research into the economic evaluation of breast cancer surgery is an area that has received less attention than that of PRO measure development, but there is good opportunity to expand this area of research in breast cancer surgery. Further studies are required to gain a clearer view of the role that generic preference and utility measures could play, how best to synthesize health-related quality of life and economic metrics data, and the potential use of new disease-specific tools.
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 | 0,084 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».