Imaging and physician visits at cancer diagnosis: <scp>COVID</scp> ‐19 pandemic impact on cancer care
Notice bibliographique
Résumé
BACKGROUND: Little is known about the COVID-19 pandemic impact on the provision of diagnostic imaging and physician visits at cancer diagnosis. METHODS: We used administrative databases from Ontario, Canada, to identify MRI/CT/ultrasound scans and in-person/virtual physician visits conducted with cancer patients within 91 days around the date of diagnosis in 2016-2020. In separate segmented regression procedures, we assessed the trends in weekly volume of these services per thousand cancer patients in prepandemic (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 during the pandemic (March 15, 2020, to September 26, 2020). RESULTS: Totally, 403,561 cancer patients were included. On March 15, 2020 (COVID-19 arrived), mean scan 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%). Afterward, 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% (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 55.15-fold (95% CI: 4927%-6173%). In the pandemic (until September 26, 2020), 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 has exceeded prepandemic utilization levels. Future work should monitor the impact of these shifts on quality of delivered care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».