Impact of Travel Distance and Urban‐Rural Status on the Multidisciplinary Management of Rectal Cancer
Notice bibliographique
Résumé
OBJECTIVES: Optimal treatment of rectal cancer (RC) requires multidisciplinary care. We examined whether distance to treatment center or community size impacts access to multimodality care and population-based outcomes in RC. METHODS: Patients diagnosed with stage II/III RC from 1999 to 2009 and treated at 1 of 6 regional cancer centers in British Columbia were reviewed. Distance to treatment center was determined for each patient. Communities were classified as rural, small, medium, and large population centers. Logistic and Cox regression models assessed associations of distance and community size with treatment received as well as cancer-specific (CSS) and overall survival (OS). RESULTS: Of 3,158 patients, 93.6% underwent surgery, 86.3% received radiotherapy, and 51.3% were treated with adjuvant chemotherapy (AC). Median time from diagnosis to oncologic consultation was longer for those >100 km from a treatment center or residing in medium/rural communities. Logistic regression demonstrated no correlation between distance or community size and receipt of treatment modality. Univariate analysis showed similar CSS (P = .18, .88) and OS (P = .36, .47) based on community size and distance, respectively. In multivariate analysis, distance >100 km had inferior CSS (Hazard Ratio [HR] 1.39, 95% CI: 1.03-1.88; P = .031). There was no consistent trend between decreasing community size and outcomes; however, living in a small center was associated with improved OS (HR 0.58, 95% CI: 0.38-0.88; P = .011) and CSS (HR 0.42, 95% CI: 0.25-0.70; P = .001). CONCLUSIONS: In this population-based study, there were no urban-rural differences in access to multidisciplinary care, but increased distance may be associated with worse cancer-specific outcomes.
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 ».