Estimating healthcare resource use associated with the treatment of metastatic melanoma in eight countries
Notice bibliographique
Résumé
Objectives Studies reporting healthcare resourse use (HRU) for melanoma, one of the most costly cancers to treat, are limited. Using consistent, robust methodology, this study estimated HRU associated with the treatment of metastatic melanoma in eight countries. Methods Using published literature and clinician input, treatment phases were identified: active systemic treatment (pre-progression); disease progression; best supportive care (BSC)/palliative care; and terminal care. HRU elements were identified for each phase and estimates of the magnitude and frequency of use in clinical practice were obtained through country-specific Delphi panels, comprising healthcare professionals with experience in oncology (n = 8). Results Medical oncologists are the key care providers for patients with metastatic melanoma, although in Germany dermato-oncologists also lead care. During the active systemic treatment phase, each patient was estimated to require 0.83-2 consultations with a medical oncologist/month across countries; the median number of such assessments in 3 months was highest in Canada (range = 3.5-5) and lowest in France, the Netherlands and Spain (1). Resource use during the disease progression phase was intensive and similar across countries: all patients were estimated to consult with medical oncologists and 10-40% with a radiation oncologist; up to 40% were estimated to require a brain MRI scan. During the BSC/palliative care phase, all patients were estimated to consult with medical oncologists, and most to consult with a primary care physician (40-100%). Limitations Panelists were from centers of excellence, thus results may not reflect care within smaller hospitals; data obtained from experts may be less variable than data from broader clinical practice. Treatments for metastatic melanoma are continually emerging, thus some elements of our work could be superseded. Conclusions HRU estimates were substantial and varied across countries for some resources. These data could be used with country-specific costs to elucidate costs for the management of metastatic melanoma.
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 ».