Predictors of financial toxicity among head and neck cancer patients: A prospective cohort study.
Notice bibliographique
Résumé
e18361 Background: Treatment of Head and Neck Cancer (HNC) is associated with significant costs and treatment morbidity. The impact of treatment on financial well-being has not been investigated. Methods: Patients with HNC treated at Princess Margaret Cancer Centre, Canada between 2014 and 2018 were enrolled in a longitudinal study from treatment up to 24 months of follow up. Participants completed questionnaires for demographics, out-of-pocket cost during treatment and at 3, 6, 12, 24 months, and the Financial Toxicity Index (FTI) at 12 and 24 months. The FTI is a 14 item, Likert response scale, with summary score out of 14, and higher scores indicating greater toxicity. Preliminary reliability, validity, and responsiveness for the FTI are very good and ongoing. Uni- and multi-variable analyses (UVA, MVA) were performed to identify predictors for FTI score. Results: Among 363 patients enrolled, average age was 61, 76% male, 81% Caucasian, 72% married, 84% living with others, 53% at least college educated, 57% currently unemployed and 59% had stage IV disease. Median pre-treatment household income was $85K, median lost household income was $15K over 12 months following treatment. At least some difficulty paying for food (14%), housing (17%), or medications (11%) was experienced; 13% had to borrow money and 5% had to relocate housing due to financial pressures. Predictors of greater FTI scores on MVA were younger age (p < 0.001), living alone (p = 0.009), and lower baseline household income (p < 0.001). In subgroup analysis of patients with available information, lost household income (p < 0.001) but not out of pocket costs (p = 0.58) was associated with higher FTI score. Conclusions: Financial toxicity is not uncommon in patients with HNC. Younger age, lower baseline income, living alone, and loss of household income are associated with financial toxicity. This should be a priority population for research into improved supportive care and return to work strategies.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».