Predictors of and Trends in High-Intensity End-of-Life Care Among Children With Cancer: A Population-Based Study Using Health Services Data
Notice bibliographique
Résumé
Purpose Children with cancer often receive high-intensity (HI) medical care at the end-of-life (EOL). Previous studies have been limited to single centers or lacked detailed clinical data. We determined predictors of and trends in HI-EOL care by linking population-based clinical and health-services databases. Methods A retrospective decedent cohort of patients with childhood cancer who died between 2000 and 2012 in Ontario, Canada, was assembled using a provincial cancer registry and linked to population-based health-care data. Based on previous studies, the primary composite measure of HI-EOL care comprised any of the following: intravenous chemotherapy < 14 days from death; more than one emergency department visit; and more than one hospitalization or intensive care unit admission < 30 days from death. Secondary measures included those same individual measures and measures of the most invasive (MI) EOL care (eg, mechanical ventilation < 14 days from death). We determined predictors of outcomes with appropriate regression models. Sensitivity analysis was restricted to cases of cancer-related mortality, excluding treatment-related mortality (TRM) cases. Results The study included 815 patients; of these, 331 (40.6%) experienced HI-EOL care. Those with hematologic malignancies were at highest risk (odds ratio, 2.5; 95% CI, 1.8 to 3.6; P < .001). Patients with hematologic cancers and those who died after 2004 were more likely to experience the MI-EOL care (eg, intensive care unit, mechanical ventilation, odds ratios from 2.0 to 5.1). Excluding cases of TRM did not substantively change the results. Conclusion Ontario children with cancer continue to experience HI-EOL care. Patients with hematologic malignancies are at highest risk even when excluding TRM. Of concern, rates of the MI-EOL care have increased over time despite increased palliative care access. Linking health services and clinical data allows monitoring of population trends in EOL care and identifies high-risk populations for future interventions.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».