Estimating the optimal perioperative chemotherapy utilization rate for muscle‐invasive bladder cancer
Notice bibliographique
Résumé
BACKGROUND: Identifying optimal chemotherapy (CT) utilization rates can drive improvements in quality of care. We report a benchmarking approach to estimate the optimal rate of perioperative CT for muscle-invasive bladder cancer (MIBC). METHODS: The Ontario Cancer Registry and linked treated records were used to identify neoadjuvant and adjuvant CT rates among patients with MIBC during 2004-2013. Monte Carlo simulation was used to estimate the proportion of observed rate variation that could be due to chance alone. The criterion-based benchmarking approach was used to explore whether social and health-system factors were associated with CT rates. We also used the "pared-mean" approach to identify a benchmark population of hospitals with the highest treatment rates. Hospital CT rates were adjusted for case mix and simulated using a multi-level multivariable model and a parametric bootstrapping approach. RESULTS: The study population included 2581 patients; perioperative CT was delivered to 31% (798/2581). Multivariate analysis showed that treatment was strongly associated with patient socioeconomic status and hospital teaching status. The benchmark rate was 36%. Unadjusted CT rates were significantly different across hospitals (range 0%-52%, P < .001). The unadjusted benchmark perioperative CT rate was 45% (95% CI 40%-50%); utilization rate in nonbenchmark hospitals was 28% (95% CI 26%-30%). When using simulated CT rates adjusted for case mix, the benchmark CT rate was 41% (95% CI 35%-47%) and the nonbenchmark hospital CT rate was 30% (95% CI 28%-32%). The simulation analysis suggested that the observed component of variation (38%) was outside the 95% CI (22%-28%) of what could be expected due to chance alone. CONCLUSIONS: There is significant systematic variation in perioperative CT rates for MIBC across hospitals in routine practice. The benchmark perioperative CT rate for MIBC is 36%-41%.
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 | 0,005 | 0,027 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».