Determining the Cancer Diagnostic Interval Using Administrative Health Care Data in a Breast Cancer Cohort
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Population-based administrative health care data could be a valuable resource with which to study the cancer diagnostic interval. The objective of the current study was to determine the first encounter in the diagnostic interval and compute that interval in a cohort of patients with breast cancer using an empirical approach. METHODS: This is a retrospective cohort study of patients with breast cancer diagnosed in Ontario, Canada, between 2007 and 2015. We used cancer registry, physician claims, hospital discharge, and emergency department visit data to identify and categorize cancer-related encounters that were more common in the three months before diagnosis. We used statistical control charts to define lookback periods for each encounter category. We identified the earliest cancer-related encounter that marked the start of the diagnostic interval. The end of the interval was the cancer diagnosis date. RESULTS: The final cohort included 69,717 patients with breast cancer. We identified an initial encounter in 97.8% of patients. Median diagnostic interval was 36 days (interquartile range [IQR], 19 to 71 days). Median interval decreased with increasing stage at diagnosis and varied across initial encounter categories, from 9 days (IQR, 1 to 35 days) for encounters with other cancer as the diagnosis to 231 days (IQR 77 to 311 days) for encounters with cyst aspiration or drainage as the procedure. CONCLUSION: Diagnostic interval research can inform early detection guidelines and assess the success of diagnostic assessment programs. Use of administrative data for this purpose is a powerful tool for improving diagnostic processes at the population level.
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.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle