MétaCan
Menu
← Retour à la cohorte
Enregistrement W4281945968 · doi:10.1200/jco.2022.40.16_suppl.1522

Imaging and physician visits at cancer diagnosis: COVID-19 pandemic impact on cancer care.

2022· article· en· W4281945968 sur OpenAlexaffabout
Rui Fu, Rinku Sutradhar, Qing Li, Timothy P. Hanna, Kelvin Chan, Natalie G. Coburn, Julie Hallet, Antoine Eskander

Notice bibliographique

RevueJournal of Clinical Oncology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensPrincess Margaret Cancer CentreHealth Sciences CentreSunnybrook Health Science CentreInstitute for Clinical Evaluative SciencesQueen's UniversityInstitute of Health Services and Policy ResearchUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicinePandemicCancerMedical diagnosisCoronavirus disease 2019 (COVID-19)CohortEmergency medicineInternal medicineRadiologyDisease

Résumé

récupéré en direct d'OpenAlex

1522 Background: Understanding how cancer system responded to the first wave of the COVID-19 pandemic has crucial implications to de-escalation measures in future waves. Here we examined the pandemic impact on the provision of diagnostic imaging (MRI, CT, and ultrasound) and physician visits (virtual and in-person) at cancer diagnosis in Ontario, Canada. Methods: For each week of June 26, 2016–September 26, 2020, we identified cancer diagnoses whose time around diagnosis (91 days +/- the date of diagnosis) fell into this week and restricted those diagnoses to be one per person-day and to patients aged 18+ at the beginning of that week. For these cancer patients, we used physician claims database to identify diagnostic imaging and visits received around cancer diagnosis. In separate segmented negative binomial regression procedures, we assessed the trends in weekly volume of these services per thousand cancer patients in pre-pandemic (June 26, 2016 to March 14, 2020), the change in mean volume at the start of the pandemic, and the additional change in weekly volume in the pandemic (March 15, 2020 to September 26, 2020). Results: Among 403,561 cancer patients in the cohort, 41,476 (10.3%) were diagnosed in the pandemic. As COVID-19 arrived, mean diagnostic imaging volume decreased by 12.3% (95% CI: 6.4%-17.9%) where ultrasound decreased the most by 31.8% (95% CI: 23.9%-37.0%) and MRI did not change (p-value = 0.27). Afterwards, the volume of all scans increased further by 1.6% per week (95% CI: 1.3%-2.0%), where ultrasound increased the fastest by 2.4% for each week (95% CI: 1.8%-2.9%). Mean in-person visits dropped by 47.4% when COVID-19 started (95% CI: 41.6%-52.6%) while virtual visits rose by 5515% (95% CI: 4927%-6173%). In the pandemic era, in-person visits increased each week by 2.6% (95% CI: 2.0%-3.2%), but no change was observed for virtual visits (p-value = 0.10). Conclusions: Provision of diagnostic imaging and virtual visits at cancer diagnosis has been increasing since the start of COVID-19 and already exceeded pre-pandemic utilization levels. These findings imply the feasibility of combining virtual consultations with diagnostic imaging to manage new cancer patients and highlight the need to monitor the quality of these services.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,915
Score d'incertitude au seuil0,172

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,256
Tête enseignante GPT0,609
Écart entre enseignants0,353 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetCOVID-19 and healthcare impacts→Travaux en français237 207→