Effect of Early Palliative Care on End-of-Life Health Care Costs: A Population-Based, Propensity Score–Matched Cohort Study
Notice bibliographique
Résumé
PURPOSE: This study aimed to investigate the impact of early versus not-early palliative care among cancer decedents on end-of-life health care costs. METHODS: Using linked administrative databases, we created a retrospective cohort of cancer decedents between 2004 and 2014 in Ontario, Canada. We identified those who received early palliative care (palliative care service used in the hospital or community 12 to 6 months before death [exposure]). We used propensity score matching to identify a control group of not-early palliative care, hard matched on age, sex, cancer type, and stage at diagnosis. We examined differences in average health system costs (including hospital, emergency department, physician, and home care costs) between groups in the last month of life. RESULTS: We identified 144,306 cancer decedents, of which 37% received early palliative care. After matching, we created 36,238 pairs of decedents who received early and not-early (control) palliative care; there were balanced distributions of age, sex, cancer type (24% lung cancer), and stage (25% stage III and IV). Overall, 56.3% of early group versus 66.7% of control group used inpatient care in the last month ( P < .001). Considering inpatient hospital costs in the last month of life, the early group used an average (±standard deviation) of $7,105 (±$10,710) versus the control group of $9,370 (±$13,685; P < .001). Overall average costs (±standard deviation) in the last month of life for patients in the early versus control group was $12,753 (±$10,868) versus $14,147 (±$14,288; P < .001). CONCLUSION: Receiving early palliative care reduced average health system costs in the last month of life, especially via avoided hospitalizations.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».