Emergency Department Use in Patients with Cancer: A Population-Based Study
Notice bibliographique
Résumé
IntroductionEmergency Department (ED) visits in cancer patients represent a significant burden to both patients and the health care system. Emergency Care of cancer patients is complex compared to the population. There is lack of knowledge regarding the pattern and reasons for ED visits in this population. Objectives and ApproachWe sought to identify factors and patterns associated with ED use among cancer patients, in the first year after diagnosis. Adult cancer patients diagnosed between 2011 and 2013 were identified from the Alberta Cancer Registry. This was linked with cancer related treatments extracted from medical records system at provincial cancer centers. ED visits and outpatient clinics were acquired from National Ambulatory Care Reporting System (NACRS). Databases were linked by unique patient identification number. Previous cancer patients were defined by having at least one cancer related diagnosis in NACRS before. The other patients were treated as non-cancer patients. ResultsCancer patients accounted for 6.7% of ED visits and 10\% of ED hours. They had higher male percentage (53% vs. 49%), higher admission rate (23% vs. 10%), ambulance usage (20% vs. 12%) and longer stay (LOS) (171 vs. 131 mins) compared to non-cancer patients. 24% of cancer patients had 4 or more ED visits/year and accounted for 59% of visits. Lung and liver cancer patients had higher ED utilization than patients with other cancers. Breast cancer patients had more after-treatment-ED-visits (41% within a week vs. 26% in lung cancer). Use of ED was highest within 1 month of diagnosis for all types except breast cancer, which was highest at 2 months after. Differences were observed between urban and rural area for numbers reported above. Conclusion/ImplicationsThese data suggest high ED utilization by cancer patients, and variation in utilization by cancer type. Identifying the timing and risk factors of ED visit for each cancer type, especially on frequent ED users presents opportunities to improve care in oncology clinics and ED.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».