MétaCan
Menu
← Retour à la cohorte
Enregistrement W2735853984 · doi:10.1182/blood.v128.22.842.842

Inferior Access to Allogeneic Transplant in Disadvantaged Populations: A CIBMTR Analysis

2016· article· en· W2735853984 sur OpenAlexaff
Kristjan Paulson, Ruta Brazauskas, Naya He, David Szwajcer, Matthew D. Seftel, Yoshiko Atsuta, Jignesh Dalal, Theresa Hahn, Carmem Bonfim, Nandita Khera, Linda J. Burns, Lih‐Wen Mau, Navneet S. Majhail, Wael Saber

Notice bibliographique

RevueBlood · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueRenal Transplantation Outcomes and Treatments
Établissements canadiensPrincess Margaret Cancer CentreUniversity of ManitobaCancerCare Manitoba
Organismes subventionnairesnon disponible
Mots-clésMedicineTransplantationDemographyPoisson regressionDisadvantagedEpidemiologyPopulationInternal medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction: Allogeneic stem cell transplant is an intensive procedure, offered in a limited number of medical centres. We sought to describe how sociodemographic variables impacted access to transplant across the United States, and if disadvantaged populations had inferior access to transplant. Methods: Data from the Surveillance, Epidemiology and End Results Program (SEER) and the Center for International Blood and Marrow Transplant Research (CIBMTR) was integrated to determine the rate of unrelated donor transplantation between 2000 and 2010 in each of the 612 counties included in the SEER registry. Patients under the age of 65 with AML, ALL, and MDS were included, and the analysis was restricted to unrelated donors due to limited availability of ZIP code in CIBMTR data. New incident cases were determined from SEER, and the number of transplants was determined from CIBMTR. The transplant rate was calculated (transplants performed divided by incident cases) for each county. County attributes (percent minority, rural/urban status, percentage below the poverty line, and median family size) were obtained from US Census data. Poisson regression was used to describe how county attributes impacted transplant rates. Transplant rates were calculated separately for AML, White residents, and pediatric ALL. Results: 3147 patients were identified in the CIBMTR dataset that met inclusion criteria. The estimated ZIP code completeness was 75%. There were 30,468 new incident diagnoses of ALL, AML, and MDS. For AML, patients from rural areas (less than 20,000 residents) and patients from areas with higher poverty levels had lower transplant rates (Table 1). Minority status and family size did not impact transplant rate. In regression models, higher levels of poverty remained associated with lower transplant rates, while rurality did not (Table 2). The results were similar among White residents. In contrast, in pediatric ALL, no county attributes (poverty, rurality, percent minority, and family size) were significantly associated with a difference in transplant rate (Table 1). However, numbers of transplants were smaller, limiting power. Discussion: Patients with AML from disadvantaged areas had lower rates of unrelated donor transplant. While patients from disadvantaged areas were also more likely to be non-White, and non-White Americans are less likely to have an available unrelated donor, this difference was also seen in White Americans from disadvantaged areas. This suggests the lower transplant rate is due impaired access to transplant. Poverty rate was the most important predictor of transplant rate. The results of this study suggest that improving access to transplant in disadvantaged populations should be a priority for health care administrators. Based on these results, approximately 2500 Americans do not undergo allogeneic transplant annually due to inferior access associated with higher poverty rates. Table 1 Univariate Analysis Table 1. Univariate Analysis Table 2 Acute Myeloid Leukemia, Regression Model * Metropolitan = county > 50,000 people, micropolitan = county > 20,000, rural county < 20,000. Table 2. Acute Myeloid Leukemia, Regression Model. / * Metropolitan = county > 50,000 people, micropolitan = county > 20,000, rural county < 20,000. Disclosures Hahn: Novartis: Equity Ownership; NIH: Research Funding.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,356
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBlood→Même sujetRenal Transplantation Outcomes and Treatments→Travaux en français237 207→