Linking Intermediate to Final “Real-World” Outcomes: Is Financial Toxicity a Reliable Predictor of Poorer Outcomes in Cancer?
Notice bibliographique
Résumé
Traditionally, economic evaluations are based on clinical trials with well-defined patient populations that exclude many patient types. By contrast, studies that incorporate general patient populations end up including those in lower income categories, some of whom have significant financial burdens (often described as financial toxicity) related to their care. Consideration of these patient burdens when examining the incremental cost-effectiveness of newer treatments from a clinical trial perspective can result in differing conclusions regarding cost-effectiveness. The challenge is to reliably assess the link between financial toxicity, quality of life and potential decisions to forego or delay care. It is also well-documented that these financial effects are not evenly distributed across populations, with those with low income and of black or Latino decent being most affected. There is a paucity of literature in this space, but some of the early work has suggested that for lung, breast, colorectal and ovarian cancers there are poorer quality-of-life scores and/or shorter overall survival for those experiencing financial toxicity. Hence, we may see both a lower quality of life and a shorter duration of life for these populations. If this is the case, additional considerations include: are the benefits of newer, more-expensive treatment strategies muted by the lack of adherence to these newer treatments due to financial concerns, and, if true, can these effects be effectively quantified as "real-world" outcomes? This rapid review examines these possibilities and the steps that may be required to examine this reliably.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».