Quality indicators for end-of-life breast cancer care: Testing the use of administrative databases
Notice bibliographique
Résumé
6066 Background: Defining, measuring and monitoring quality of care is a facet of health services research that is growing in importance. Breast cancer offers a disease model to examine quality end-of-life (EOL) care provided to women. Administrative data have the unique potential to provide population-based measures of quality of care. The objective of this study was to assess the feasibility of using routinely-collected administrative data to measure quality EOL care for breast cancer patients. Methods: A cohort of all women in Nova Scotia who died of breast cancer between 01/01/1998 and 31/12/2002 was assembled from the Cancer Registry and Vital Statistics data. The EOL study period was defined as the last 6 months of life. A total of 864 women met the eligibility criteria. After a literature review, an expert panel identified 19 indicators that were potentially measurable through administrative data. Physician billings, hospital discharge abstracts and seniors pharmacare data, supplemented by clinical datasets, were utilized to calculate the statistics with which to represent the indicators. Results: Benchmark measures of care across the cohort show 63.4% died in a hospital, a mean continuity of care index of 0.786, and the mean number of inpatient days in the last 30 was 9.9. Indicators of aggressive care include 9.3% had chemotherapy in the last 14 days, 5.6% had more than 1 emergency room visit in the last 30 days, and 29.1% had more than 14 inpatient days in the last 30 days. Conclusions: Weaknesses of using these data include: 1) fixed variables with an administrative rather than a clinical objective; 2) lack of comprehensiveness of various datasets; and 3) the use of billings data where increasingly physicians are paid through methods other than fee-for-service. Strengths of this approach are: 1) population-based cohort; 2) comprehensiveness of cohort selection through the provincial Vital Statistics file; and 3) accessibility of data. No significant financial relationships to disclose.
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 | 0,138 | 0,393 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».