Developing a cancer‐specific trigger tool to identify treatment‐related adverse events using administrative data
Notice bibliographique
Résumé
BACKGROUND: As there are few validated tools to identify treatment-related adverse events across cancer care settings, we sought to develop oncology-specific "triggers" to flag potential adverse events among cancer patients using claims data. METHODS: 322 887 adult patients undergoing an initial course of cancer-directed therapy for breast, colorectal, lung, or prostate cancer from 2008 to 2014 were drawn from a large commercial claims database. We defined 16 oncology-specific triggers using diagnosis and procedure codes. To distinguish treatment-related complications from comorbidities, we required a logical and temporal relationship between a treatment and the associated trigger. We tabulated the prevalence of triggers by cancer type and metastatic status during 1-year of follow-up, and examined cancer trigger risk factors. RESULTS: Cancer-specific trigger events affected 19% of patients over the initial treatment year. The trigger burden varied by disease and metastatic status, from 6% of patients with nonmetastatic prostate cancer to 41% and 50% of those with metastatic colorectal and lung cancers, respectively. The most prevalent triggers were abnormal serum bicarbonate, blood transfusion, non-contrast chest CT scan following radiation therapy, and hypoxemia. Among patients with metastatic disease, 10% had one trigger event and 29% had two or more. Triggers were more common among older patients, women, non-whites, patients with low family incomes, and those without a college education. CONCLUSIONS: Oncology-specific triggers offer a promising method for identifying potential patient safety events among patients across cancer care settings.
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 | 0,001 |
| 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) | 0,002 | 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 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 ».