MétaCan
Menu
Retour à la cohorte
Enregistrement W4315435407 · doi:10.1001/jamanetworkopen.2022.50211

Estimated Indirect Cost Savings of Using Telehealth Among Nonelderly Patients With Cancer

2023· article· en· W4315435407 sur OpenAlexaff
Krupal Patel, Kea Turner, Amir Alishahi Tabriz, Brian D. Gonzalez, Laura B. Oswald, Oliver T. Nguyen, Young‐Rock Hong, Heather Jim, Anthony C. Nichols, Xuefeng Wang, Edmondo Robinson, Cristina Naso, Philippe E. Spiess

Notice bibliographique

RevueJAMA Network Open · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensWestern University
Organismes subventionnairesKite PharmaJanssen Scientific AffairsNational Comprehensive Cancer NetworkMoffitt Cancer Center
Mots-clésTelehealthMedicineTelemedicineCancerCohortFamily medicineMedical emergencyHealth careEmergency medicineDemographyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Importance: Patients with cancer typically have greater financial hardships and time costs than individuals without cancer. The COVID-19 pandemic has exacerbated this, while posing substantial challenges to delivering cancer care and resulting in important changes in care-delivery models, including the rapid adoption of telehealth. Objective: To estimate patient travel, time, and cost savings associated with telehealth for cancer care delivery. Design, Setting, and Participants: An economic evaluation of cost savings from completed telehealth visits from April 1, 2020, to June 30, 2021, in a single-institution National Cancer Institute-Designated Comprehensive Cancer Center. All patients aged 18 to 65 years who completed telehealth visits within the designated time frame and had a Florida mailing address documented in their electronic medical record were included in the study cohort. Data were analyzed from April 2020 to June 2021. Main Outcomes and Measures: The main outcome was estimated patient cost savings from telehealth, which included 2 components: costs of travel (defined as roundtrip distance saved from car travel) and potential loss of productivity due to the medical visit (defined as loss of income from roundtrip travel plus loss of income from in-person clinic visits). Two different models with a combination of 2 different mileage rates ($0.56 and $0.82 per mile) and census tract-level median hourly wages were used. Results: The study included 25 496 telehealth visits with 11 688 patients. There were 4525 (3795 patients) new or established visits and 20 971 (10 049 patients) follow-up visits. Median (IQR) age was 55.0 (46.0-61.0) years among the telehealth visits, with 15 663 visits (61.4%) by women and 18 360 visits (72.0%) by Hispanic non-White patients. According to cost models, the estimated mean (SD) total cost savings ranged from $147.4 ($120.1) at $0.56/mile to $186.1 ($156.9) at $0.82/mile. For new or established visits, the mean (SD) total cost savings per visit ranged from $176.6 ($136.3) at $0.56/mile to $222.8 ($177.4) at $0.82/mile, and for follow-up visits, the mean (SD) total cost savings per visit was $141.1 ($115.3) at $0.56/mile to $178.1 ($150.9) at $0.82/mile. Conclusions and Relevance: In this economic evaluation, telehealth was associated with savings in patients time and travel costs, which may reduce the financial toxicity of cancer care. Expansion of telehealth oncology services may be an effective strategy to reduce the financial burden among patients with cancer.

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)0,002
score de la tête « metaresearch » (Gemma)0,011
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 enseignants0,011
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,073
Tête enseignante GPT0,390
Écart entre enseignants0,317 · 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

Citations166
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207