Abstract 13212: Chronic Total Occlusion Racial and Income Inequities by Mortality and Cost: Propensity Score and Machine Learning Augmented Nationally Representative Case-Control Study of 30 Million Hospitalizations
Notice bibliographique
Résumé
Introduction: We sought to produce the first nationally representative analysis of racial and income inequities by mortality and cost for patients with chronic total occlusion (CTO) of coronary arteries by the presence or absence of active cancer. Methods: Propensity score adjusted and backward propagation neural network machine learning augmented multivariable regression among patients with CTO and stratified by race and income was conducted for the above outcomes in this case-control study of the United States’ largest and most current all-payer hospitalized dataset, the 2016 National Inpatient Sample. Regression models were fully adjusted for age, geographic region, anemia, thrombocytopenia, cancer metastases, NIS-calculated mortality risk by Diagnosis Related Group (DRG), and the likelihood of undergoing PCI (in addition to length of stay [LOS] for cost). To produce nationally representative estimates, analyses were also adjusted for the complex survey design. Results: Of the 30,195,722 adult hospitalized patients, 1,159,994 (3.84%) underwent PCI (of whom 30,624 [2.64%] were in patients with active cancer), and 120,815 (0.40%) had CTO (of whom 3,068 [2.54%] had active cancer). In multivariable regression among patients with CTO, mortality was comparable across races in both PCI and cancer, but significantly increased among the lowest income quartile for patients with cancer (OR 4.09; 95%CI 1.30-12.80; p=0.016). PCI in Hispanic cancer patients unlike other races had significantly increased costs ($207,218.80; 95%CI 76,799.21-337,738.30; p=0.002) as did the lowest income quartile ($26,327.08; 95%CI 21,123.93-31,530.23; p=0.042) unlike other income groups significantly increased costs. Conclusions: This large nationally representative study suggests PCI can safely done in hospitalized patients with CTO and active cancer though its prevalence is far less than in those without cancer despite comparable risk profiles; there also appears to be significant racial and income inequities in both mortality and cost by both race and income.
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 ».