Cost Trajectories for Cancer Patients
Notice bibliographique
Résumé
BACKGROUND: Health care spending is known to be highly skewed, with a small subset of the population consuming a disproportionate amount of health care resources. Patients with cancer are high-cost users because of high incremental health care costs for treatment and the growing prevalence of cancer. The objectives of the present study included characterizing cancer-patient trajectories by cost, and identifying the patient and health system characteristics associated with high health system costs after cancer treatment. METHODS: This retrospective cohort study identified Ontario adults newly diagnosed with cancer between 1 April 2009 and 30 September 2010. Costs of health care use before, during, and after cancer episodes were used to develop trajectories of care. Descriptive analyses examined differences between the trajectories in terms of clinical and health system characteristics, and a logistic regression approach identified predictors of being a high-cost user after a cancer episode. RESULTS: Ten trajectories were developed based on whether patients were high- or low-cost users before and after their cancer episode. The most common trajectory represented patients who were low-cost in the year before cancer, survived treatment, and continued to be low-cost in the year after cancer (31.4%); stage ii cancer of the male genital system was the most common diagnosis within that trajectory. Regression analyses identified increases in age and in multimorbidity and low continuity of care as the strongest predictors of high-cost status after cancer. CONCLUSIONS: Findings highlight an opportunity to proactively identify patients who might transition to high-cost status after cancer treatment and to remediate that transition.
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 | 0,000 | 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) | 0,001 | 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 ».