Utilization of Immunotherapy in Patients with Cancer Treated in Routine Care Settings: A Population-Based Study Using Health Administrative Data
Notice bibliographique
Résumé
INTRODUCTION: The introduction of immunotherapy (IO) in the treatment of patients with cancer has significantly improved clinical outcomes. Population level information on actual IO utilization is limited. METHODS: We conducted a retrospective cohort study using provincial health administrative data from Ontario, Canada to: (1) assess the extent of IO use from 2011 (pre-IO funding) to 2019; and (2) identify factors associated with IO use in patients with advanced cancers for which IO is reimbursed including melanoma, bladder, lung, head and neck, and kidney tumors. The datasets were linked using a unique encoded identifier. A Fine and Gray regression model with death as a competing risk was used to identify factors associated with IO use. RESULTS: Among 59 510 patients assessed, 8771 (14.7%) received IO between 2011 and 2019. Use of IO increased annually from 2011 (3.3%) to 2019 (39.2%) and was highest in melanoma (52%) and lowest in head and neck cancer (6.6%). In adjusted analysis, factors associated with lower IO use included older age (hazard ratio (HR) 0.91 (95% CI, 0.89-0.93)), female sex (HR 0.85 (95% CI, 0.81-0.89)), lower-income quintile, hospital admission (HR 0.78 (95% CI, 0.75-0.82)), high Charlson score and de novo stage 4 cancer. IO use was heterogeneous across cancer centers and regions. CONCLUSION: IO utilization for advanced cancers rose substantially since initial approval albeit use is associated with patient characteristics and system-level factors even in a universal healthcare setting. To optimize IO utilization in routine practice, survival estimates and potential inequity in access should be further investigated and addressed.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».