Understanding disparities and organisational variation in cancer patient experience: Lessons from the English National Cancer Patient Experience survey.
Notice bibliographique
Résumé
181 Background: Surveys of the experience of cancer patients are currently being introduced in several countries, including the U.S. and Canada. Insights to inform the development and use of such surveys can be acquired from the English Cancer Patient Experience Survey programme. Methods: Each of the three national surveys (2010, 2011/12 and 2012/13) had a responder sample of ~70,000 patients (response rate 64-67%) and included about 60 evaluative questions on all domains of experience, from cancer diagnosis to care after hospital treatment. Anonymous data were analysed, using appropriate logistic regression models for positive/negative experience outcomes, based on public reporting conventions. We illustrate a research programme using the survey data focusing on two questions. 1. Who are the patients at greater risk of a negative experience? 2. Does case-mix explain apparent variation between hospitals? Results: There was evidence of socio-demographic variation in cancer patient experience, consistently across questions: younger and very old patients, ethnic minorities, and women reported poorer experience. Regarding variation between patients with 36 common and rarer tumours, those with hepato-biliary and thyroid cancers were most likely to be less satisfied with their overall experience, whereas patients with breast cancer were least likely (top-to-bottom odds ratio 3.7, p<0.0001). There were disparities in experience between patients treated by the same specialty for 5/9 services (p<0.0001). For example, patients with ovarian, multiple myeloma, anal and renal cancer reported worse experiences than patients with other gynaecological, haematological and urological malignancies, respectively. There was high concordance between crude and adjusted ranks of hospital scores (median Kendall's τ=0.84; interquartile range: 0.82-0.88). Conclusions: Initiatives to improve cancer patient experience may be suitably targeted on patients at higher risk of poorer experience. Evidence about disparities in experience and the effect of case-mix provide useful priors to motivate similar inquiries in other healthcare settings.
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 | 0,022 | 0,048 |
| 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 | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».