Differences in Patient Characteristics among Men Choosing Open or Robot-Assisted Radical Prostatectomy in Contemporary Practice - Analysis of Surveillance, Epidemiology, and End Results Database
Notice bibliographique
Résumé
OBJECTIVE: To examine characteristics of robot-assisted (RARP) and open radical prostatectomy (ORP) patients. PATIENTS AND METHODS: We relied on the Surveillance, Epidemiology, and End Results-Medicare-linked database and focused on prostate cancer patients between 2008 and 2009. In multivariable logistic regression analyses, we predicted RARP. RESULTS: Of 5,915 patients, 3,476 (58.8%) underwent RARP and 2,439 (41.2%) ORP. Patients within intermediate (OR 1.4, p = 0.01) or highest (OR 1.5, p = 0.02) education strata and those treated by surgeons with a high volume (OR 2.2, p < 0.001) were more likely to undergo RARP. Conversely, those residing in rural areas (OR 0.7, p = 0.005) and those with clinical stage T2 or higher (OR 0.7, p = 0.006) were less likely to undergo RARP. Additionally, patients from the Southwest were less likely to undergo RARP (OR 0.4, p < 0.001), but those from the Northern Plains were more likely to undergo RARP (OR 1.4, p = 0.02) than their counterparts from the East. Finally, RARP patients were neither younger nor healthier than ORP patients. CONCLUSIONS: Several patient characteristics such as education, region of residence and population density affect the likelihood of RARP vs. ORP treatment. Similarly, clinical stage and surgeon characteristics also affect the assignment to one or other treatment modality.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».