Use and Costs of Disease Monitoring in Women With Metastatic Breast Cancer
Notice bibliographique
Résumé
PURPOSE: The optimal frequency of monitoring patients with metastatic breast cancer (MBC) is unknown; however, data suggest that intensive monitoring does not improve outcomes. We performed a population-based analysis to evaluate patterns and predictors of extreme use of disease-monitoring tests (serum tumor markers [STMs] and radiographic imaging) among women with MBC. METHODS: The SEER-Medicare database was used to identify women with MBC diagnosed from 2002 to 2011 who underwent disease monitoring. Billing dates of STMs (carcinoembryonic antigen and/or cancer antigen 15-3/cancer antigen 27.29) and imaging tests (computed tomography and/or positron emission tomography) were recorded; if more than one STM or imaging test were completed on the same day, they were counted once. We defined extreme use as > 12 STM and/or more than four radiographic imaging tests in a 12-month period. Multivariable analysis was used to identify factors associated with extreme use. In extreme users, total health care costs and end-of-life health care utilization were compared with the rest of the study population. RESULTS: We identified 2,460 eligible patients. Of these, 924 (37.6%) were extreme users of disease-monitoring tests. Factors significantly associated with extreme use were hormone receptor-negative MBC (odds ratio [OR], 1.63; 95% CI, 1.27 to 2.08), history of a positron emission tomography scan (OR, 2.92; 95% CI, 2.40 to 3.55), and more frequent oncology office visits (OR, 3.14; 95% CI, 2.49 to 3.96). Medical costs per year were 59.2% higher in extreme users. Extreme users were more likely to use emergency department and hospice services at the end of life. CONCLUSION: Despite an unknown clinical benefit, approximately one third of elderly women with MBC were extreme users of disease-monitoring tests. Higher use of disease-monitoring tests was associated with higher total health care costs. Efforts to understand the optimal frequency of monitoring are needed to inform clinical practice.
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 | 0,000 | 0,003 |
| 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 | 0,000 | 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 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 ».