What drives variation in spending for breast cancer patients within geographic regions?
Notice bibliographique
Résumé
OBJECTIVE: To estimate and describe factors driving variation in spending for breast cancer patients within geographic region. DATA SOURCE: Surveillance, Epidemiology, and End Results (SEER)-Medicare database from 2009-2013. STUDY DESIGN: The proportion of variation in monthly medical spending within geographic region attributed to patient and physician factors was estimated using multilevel regression models with individual patient and physician random effects. Using sequential models, we estimated the contribution of differences in patient and disease characteristics or use of cancer treatment modalities to patient-level and physician-level variance in spending. Services associated with high spending physicians were estimated using linear regression. DATA EXTRACTION METHOD: A total of 20 818 women with a breast cancer diagnosis in 2010-2011. PRINCIPAL FINDINGS: We observed substantial between-patient and between-provider variation in spending following diagnosis and at the end-of-life. Immediately following diagnosis, 48% of between-patient and 31% of between-physician variation were driven by differences in delivery of cancer treatment modalities to similar patients. At the end-of-life, patients of high spending physicians had twice as many inpatient days, double the chemotherapy spending, and slightly more hospice days. CONCLUSIONS: Similar patients receive very different treatments, which yield significant differences in spending. Efforts to reduce unwanted variation may need to target treatment choices within patient-doctor discussions.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».