MétaCan
Menu
Retour à la cohorte
Enregistrement W3116050372 · doi:10.3390/curroncol28010018

Catching the Wave: Quantifying the Impact of COVID on Radiotherapy Delivery

2020· article· en· W3116050372 sur OpenAlexaffvenueabout
David Roberge, Guila Delouya, Alexandra Bohigas, Stefan Michalowski

Notice bibliographique

RevueCurrent Oncology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensCentre Hospitalier de l’Université de Montréal
Organismes subventionnairesnon disponible
Mots-clésMedicineCoronavirus disease 2019 (COVID-19)Radiation oncologyRadiation therapyProstate cancerHealth carePandemicCancerEmergency medicineInternal medicineDisease

Résumé

récupéré en direct d'OpenAlex

The novel coronavirus of 2019 has had a broad impact of the delivery of healthcare, including cancer care. We chose to quantify the impact in the radiation oncology department of the largest academic center in the hardest hit city in Canada. With the approval of our ethics review board, data on each patient treated from March 13, 2020 to August 10, 2020 were compared to patients treated during the same period in 2019. We compared the case mix, delay from treatment decision to treatment start, and number of fractions per patient. We reviewed prospectively collected information regarding deviations from our usual practice. During the pandemic the caseload was reduced by 12%; this was more pronounced in prostate and CNS tumors. The average number of fractions per patient was reduced from 12.3 to 10.9. This reduction was most marked in prostate, breast, gastro-intestinal, and palliative cases. When physicians were questioned, they reported that 17% of treatment plans deviated from their usual practice because of the pandemic. The most common deviations were related to changes in department policies (77%) vs. patient-specific deviations (20%) or changes requested by the patient (3%). Rare deviations were due to patients contracting COVID-19 (2 patients). At its worse, the wait list contained 27% of patients who had a delay to radiotherapy of more than 28 days. However, the average wait time increased little (19.6 days vs. 18.2 days) as more pressing cases were prioritized. In an unprecedented health crisis, our radiation oncology department was able to reduce resource utilization, notably by decreasing the number of fractions per patient. It will be important to follow these patients' health outcomes for insight into these practices. More quantitative tools to simulate and plan future practice changes in response to resource constraints will be implemented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,035
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,063
Score d'incertitude au seuil0,125

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,035
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,469
Tête enseignante GPT0,551
Écart entre enseignants0,082 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCurrent OncologyMême sujetCOVID-19 and healthcare impactsTravaux en français237 207