Impact of an Accelerated Diagnostic Assessment Program on the Timeliness of Cancer Diagnosis and Treatment
Notice bibliographique
Résumé
PURPOSE: The Accelerated Diagnostic Assessment Program (ADAP) manages patients with imaging abnormalities, with or without concomitant symptoms, where cancer is suspected. The ADAP is offered to primary care practitioners and emergency departments with cases triaged by a medical oncologist. METHODS: We performed a retrospective patient chart review of electronic medical records from January 2019 until June 2021 to validate the program. We collected information on the referral pathways, patient demographics, wait-times, and diagnostic results. The control group consisted of outpatients who were referred for biopsy over a 1-year period outside the ADAP stream. Statistical analyses were performed using IBM SPSS software. RESULTS: Of the 97 patients included, 54% were female, with ages ranging from 18 to 96 years. Twenty-nine percent (n = 20) of the malignant cases were incidental findings. Most patients referred to the ADAP were diagnosed with a malignancy (71%; n = 69), comprising hematologic (45%; n = 31), GI (26%; n = 18), or other cancers (29%; n = 20). The ADAP had decreased wait-times from referral to biopsy collection (17.6 days ± 10.7 [standard deviation (SD)]; n = 43) when compared with the control group (41.2 days ± 40.0 [SD]; n = 67; P < .001). ADAP patients with malignancies saw a treating specialist 7.6 ± 7.6 days [SD] after their follow-up appointment at the ADAP. CONCLUSION: The ADAP accelerated time to biopsy in a statistically significant manner when compared with age-, referring physician–, and biopsy site–matched controls. It also outperformed national and provincial standards, suggesting that its model addresses a gap in care by providing an underserved population timely access to diagnosis and treatment.
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 | 0,001 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».