Prevalence of multimorbidity in adults with cancer, and associated health service utilization in Ontario, Canada: a population-based retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: The majority of people with cancer have at least one other chronic health condition. With each additional chronic disease, the complexity of their care increases, as does the potential for negative outcomes including premature death. In this paper, we describe cancer patients' clinical complexity (i.e., multimorbidity; MMB) in order to inform strategic efforts to improve care and outcomes for people with cancer of all types and commonly occurring chronic diseases. METHODS: We conducted a population-based, retrospective cohort study of adults diagnosed with cancer between 2003 and 2013 (N = 601,331) identified in Ontario, Canada healthcare administrative data. During a five to 15-year follow-up period (through March 2018), we identified up to 16 co-occurring conditions and patient outcomes for the cohort, including health service utilization and death. RESULTS: MMB was extremely common, affecting more than 91% of people with cancer. Nearly one quarter (23%) of the population had five or more co-occurring conditions. While we saw no differences in MMB between sexes, MMB prevalence and level increased with age. MMB prevalence and type of co-occurring conditions also varied by cancer type. Overall, MMB was associated with higher rates of health service utilization and mortality, regardless of other patient characteristics, and specific conditions differentially impacted these rates. CONCLUSIONS: People with cancer are likely to have at least one other chronic medical condition and the presence of MMB negatively affects health service utilization and risk of premature death. These findings can help motivate and inform health system advances to improve care quality and outcomes for people with cancer and MMB.
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) | 0,000 | 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 | 0,000 |
| 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 ».