Effect of Health Care Provider Delays on Short-Term Outcomes in Patients With Colorectal Cancer: Multicenter Population-Based Observational Study
Notice bibliographique
Résumé
Background The United Kingdom has lower survival figures for all types of cancers compared to many European countries despite similar national expenditures on health. This discrepancy may be linked to long diagnostic and treatment delays. Objective The aim of this study was to determine whether delays experienced by patients with colorectal cancer (CRC) affect their survival. Methods This observational study utilized the Somerset Cancer Register to identify patients with CRC who were diagnosed on the basis of positive histology findings. The effects of diagnostic and treatment delays and their subdivisions on outcomes were investigated using Cox proportional hazards regression. Kaplan-Meier plots were used to illustrate group differences. Results A total of 648 patients (375 males, 57.9% males) were included in this study. We found that neither diagnostic delay nor treatment delay had an effect on the overall survival in patients with CRC (χ23=1.5, P=.68; χ23=0.6, P=.90, respectively). Similarly, treatment delays did not affect the outcomes in patients with CRC (χ23=5.5, P=.14). The initial Cox regression analysis showed that patients with CRC who had short diagnostic delays were less likely to die than those experiencing long delays (hazard ratio 0.165, 95% CI 0.044-0.616; P=.007). However, this result was nonsignificant following sensitivity analysis. Conclusions Diagnostic and treatment delays had no effect on the survival of this cohort of patients with CRC. The utility of the 2-week wait referral system is therefore questioned. Timely screening with subsequent early referral and access to diagnostics may have a more beneficial effect.
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 | 0,002 | 0,004 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».