Cost Analysis of a Digital Multimodal Cancer Prehabilitation
Notice bibliographique
Résumé
INTRODUCTION: There is growing evidence that prehabilitation programmes effectively improve the physical and psychological conditions of cancer patients awaiting treatment. During the pandemic, people with cancer were classed as vulnerable. To reduce risk to this population Kent and Medway Prehabilitation service transformed into a TeleHealth format. The aim of this study is to assess the impact on health-related quality of life (HRQoL) and the costs of a digital multimodal prehabilitation programme. METHODS: HRQoL was measured with the EQ-5D and quality-adjusted life years (QALYs) were calculated. Costs of the prehabilitation service and inpatient care were calculated. Comparisons were made between different levels of prehabilitation received. RESULTS: A sample of 192 individuals was included in the study Mean HRQoL improved from 69.53 at baseline to 85.71 post-rehabilitation, a 23% increase. For each additional week of prehabilitation care in cancer patients, the model predicts that the total QALYS increase by 0.02, when baseline utility is held constant. CONCLUSIONS: Prehabilitation is associated with improved HRQoL and QALYs. Our model of a multimodal digital prehabilitation program can be beneficial for patients and reduce costs for healthcare facilities even when the patients attend only a few sessions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 source (Gemma direct ou Codex distillé), 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 ».