Impact of socioeconomic status on presentation, treatment and outcomes of patients with pancreatic cancer
Notice bibliographique
Résumé
Objective: To assess the impact of socioeconomic status (SES) on the patterns of care and outcomes of patients with pancreatic cancer. Materials & methods: Surveillance, Epidemiology and End Results specialized SES registry has been accessed and patients with pancreatic cancer diagnosed (2000–2015) were evaluated. The following SES variables were included: employment percentage, percent of people above the poverty line, percent of people identified as working-class, educational level, median rent, median household value and median household income. Within this SES registry, patients were classified according to their census-tract SES into three groups (where group-1 represents the lowest SES category and group-3 represents the highest SES category). Multivariable logistic regression analysis was used to assess the impact of SES on access to surgical resection and multivariable Cox regression analysis was used to assess the impact of SES on pancreatic cancer-specific survival. Kaplan–Meier survival estimates were also used to compare overall survival (OS) outcomes according to SES. Results: A total of 83,902 pancreatic cancer patients were included in the current analysis. Within multivariable logistic regression analysis among patients with a localized/regional disease, patients with lower SES were less likely to undergo surgical resection for pancreatic cancer (odds ratio: 0.719; 95% CI: 0.673–0.767; p < 0.001). Among patients with a localized/regional disease who underwent surgical resection, patients with higher SES have better OS (median OS for group-3: 20.0 vs 17.0 months for group-1; p < 0.001). Moreover, patients with lower SES have worse pancreatic cancer-specific survival compared with patients with higher SES: (hazard ratio for group-1 vs group-3: 1.212; 95% CI: 1.135–1.295; p < 0.001). Conclusion: Poor neighborhood SES is associated with more advanced disease at presentation, less probability of surgical resection and even poorer outcomes after surgical resection.
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 | 0,005 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».