Comparing characteristics and outcomes of cancer to non-cancer patients admitted to general internal medicine (GIM).
Notice bibliographique
Résumé
21 Background: Cancer prevalence is rising and there is a corresponding increase in hospitalizations across the cancer continuum. However, little is known about the patterns of care and outcomes of cancer inpatients as administrative data may not capture in-hospital details including investigations and medications required for characterization. Understanding how cancer inpatients are managed and their outcomes can help to optimize care delivery. Methods: We conducted a multicenter study of all patients admitted to GIM at seven hospitals (Toronto, Canada) from 2010 to 2017 where we deterministically linked administrative data with each hospital’s electronic information (pharmacy, orders, notes, laboratory/imaging and results) at the patient level. Multivariable regression models compared characteristics and outcomes between cancer and non-cancer patients for the top 5 non-cancer patient discharge diagnoses. Results: Among 230,040 hospitalizations, 15% had cancer listed as an ICD-10 comorbidity. The most common cancer disease sites were gastrointestinal (20%), lung (13%) and leukemia (11%). The most common discharge diagnoses for cancer patients were disease progression (9%), palliative care (6%), pneumonia (4%), leukemia (4%) and lung cancer (4%), while for non-cancer patients were: heart failure (5%), pneumonia (5%), stroke (5%), COPD (5%) and urinary tract infections (5%). In general, compared to non-cancer patients, cancer patients were younger (70 vs 72), had greater length of stay (LOS; 6.4 vs 4.6 days), in-hospital mortality (16% vs 5%), ICU use (12% vs 11%), 30 day re-admission rate (17% vs 10%) and were more likely to receive CTs (64% vs 52%), MRIs (14% vs 12%) and interventional procedures (22% vs 8%) (p < 0.001, all comparisons). When evaluating the top 5 non-cancer patient discharge diagnoses, results (adjusted for age, gender, Charlson comorbidity score and hospital) were similar wherein cancer patients had a higher in-hospital mortality (aOR = 2.02 p < 0.001), 30 day re-admission rate (aOR = 1.09 p = 0.08) and were more likely to receive CTs (aOR = 1.88 p < 0.001), MRIs (aOR = 1.66 p < 0.001) or interventional procedures (aOR = 1.78 p < 0.001), despite similar mean LOS (5.7 vs 5.1 days p = 0.35). Results were similar across discharge diagnoses. Conclusions: Cancer patients represent a unique population on GIM and have higher resource use, mortality and LOS compared to non-cancer patients, with similar trends even for the same non-cancer diagnoses. Specialized models of care for hospitalized cancer patients may be warranted.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».