Association between high-cost imaging and hospice use at the end of life of cancer patients.
Notice bibliographique
Résumé
6504 Background: Use of high cost imaging modalities can inform prognosis and potentially de-escalate unnecessary care at the end of life of cancer patients, but it may also be associated with increased health care expenditures. This analysis investigated the association of hospital-level use of advanced imaging studies with aggressiveness of care near death, as measured by hospice enrollment. Methods: Using SEER-Medicare, patients who died from common solid tumors between 2002 and 2007 were identified and hospital-level utilization of CT, MRI and PET scans were categorized into quartiles. Patients were assigned to the hospital at which they spent the majority of their inpatient days during the last 6 months of life. Multivariate-adjusted logistic regression models based on tumor type were constructed to correlate imaging use with late as well as all hospice admissions, defined as enrollment within 3 days and 18 months of death, respectively. Results: A total of 7,876 breast, 31,933 lung, 12,877 colorectal and 9,137 prostate cancer patients were included. High cost imaging varied across tumor types with rates being highest for lung cancer (mean of 2.29 CT, 0.58 MRI and 0.21 PET scans per patient) and lowest for prostate cancer (mean of 1.25 CT, 0.41 MRI, and 0.01 PET scans per patient) in the 6 months before death. Overall hospice use was least frequent in colorectal cancer (50% of patients) while late hospice admission was most common in lung cancer (11% of patients). Hospitals within the top quartile of imaging use generally had decreased odds of hospice utilization and higher likelihood of late hospice enrollment across most cancer types (Table). Conclusions: In this large cohort, receipt of care near end of life in hospitals with the highest rates of advanced imaging use was associated with lower use of and later enrollment to hospice. High cost imaging is not correlated with de-escalation of aggressive care. [Table: see text]
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 | 0,004 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».