Potentially non-beneficial interventions in the last 100 days of life of patients with cancer: A population-based retrospective cohort study.
Notice bibliographique
Résumé
ObjectivesThe objective of this study was to describe the receipt of potentially non-beneficial interventions in the last 100 days of life of cancer patients and to examine variations in these interventions according to patient characteristics and cancer site. ApproachWe conducted a population-based retrospective cohort study of all adults age 18+ who died of cancer in Ontario, Canada between January 1, 2013 and December 31, 2017 using linked administrative health data held at ICES. Potentially non-beneficial interventions were captured via hospital discharge records and included chemotherapy, major surgery, intensive care unit admission, cardiopulmonary resuscitation, defibrillation, dialysis, percutaneous coronary intervention, mechanical ventilation, feeding tube placement, blood transfusion and bronchoscopy. We used bivariate analyses and multivariable Poisson regression to examine associations between the receipt of interventions and decedent age, sex, rurality, area-level income, and cancer site. ResultsAmong the 125,755 decedents, the most common intervention was blood transfusion (18.1%) and major surgery (12.8%); 23.8% received no interventions, while 14% of decedents received 3+ interventions. Lower intervention rates were observed in older patients (adjusted rate ratio (RR) 0.46, 95% confidence interval (CI) 0.44-0.49 for age 95+ vs. 19-44), females (RR 0.93, 95% CI 0.92-0.94), and individuals living in higher income areas (RR 0.96, 95% CI 0.95-0.98 for highest vs. lowest income quintile). Higher intervention rates were observed in rural patients (RR 1.13, 95% CI 1.11-1.14). Patients with pancreatic cancer had the highest intervention rate (RR 1.13, 95% CI 1.10-1.16), while breast cancer patients had the lowest intervention rate (RR 0.86, 95% CI 0.84-0.89) compared to colorectal cancer patients. ConclusionPotentially non-beneficial interventions were common in the last 100 days of life of patients with cancer. Variations in interventions across patient demographics and cancer site may reflect differences in healthcare access, end-of-life care preferences, patients’ prognostic awareness, and disease factors.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».