Cost-of-Illness Study for Non-Small-Cell Lung Cancer Using Real-World Data
Notice bibliographique
Résumé
Background: With recent advances in the treatment of non-small-cell lung cancer (nsclc) and current fiscal constraints within publicly funded health care systems, understanding the real-world economic effect of lung cancer management has become important. The objective of the present study was to determine the costs and resources used in the management of nsclc cohorts in Ontario. Methods: Patients diagnosed between 1 April 2010 and 31 March 2015 were identified in the Ontario Cancer Registry and linked to provincial administrative databases, capturing resources such as hospitalizations, cancer clinic visits, physician services, and systemic therapies or radiotherapy. A cost-of-illness analysis using a bottom-up approach and the GETCOST macro available at ices determined the overall total and mean costs in 2017 Canadian dollars. Resource utilization results were analyzed according to the total number of encounters per resource, the number of patients using each resource, and the number of encounters per patient. A separate cost-and-resource analysis was conducted for radiotherapy. Results: The 24,729 nsclc patients identified included 4542 with stage iii unresectable disease and 10,103 with stage iv nonsquamous disease. The overall total cost for all nsclc patients was $1.9 billion, with inpatient hospitalizations ($635.2 million), cancer clinic visits ($323.7 million), and physician services ($301.4 million) being the top cost contributors. The mean cost per patient was $76,816. The total cost of radiotherapy was $38.5 million. Conclusions: Real-world costs for the management of nsclc during the 5-year period examined were substantial, despite the fact that median survival was poor and treatment information was limited.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».