MétaCan
Menu
Retour à la cohorte
Enregistrement W4321461137 · doi:10.21037/jtd-22-919

Dyspnea in patients with stage IV non-small cell lung cancer: a population-based analysis of disease burden and patterns of care

2023· article· en· W4321461137 sur OpenAlexafffundabout
Michael Yan, Michael C. Tjong, Wing C. Chan, Gail Darling, Victoria Delibasic, Laura Davis, Mark Doherty, Julie Hallet, Biniam Kidane, Alyson Mahar, Nicole Mittmann, Ambica Parmar, Vivian Tan, Hendrick Tan, Frances C. Wright, Natalie G. Coburn, Alexander V. Louie

Notice bibliographique

RevueJournal of Thoracic Disease · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueLung Cancer Diagnosis and Treatment
Établissements canadiensWestern UniversityCanadian Agency for Drugs and Technologies in HealthUniversity of ManitobaSunnybrook Health Science CentreInstitute for Clinical Evaluative SciencesUniversity of Toronto
Organismes subventionnairesOntario Ministry of Health and Long-Term CareInstitute for Clinical Evaluative Sciences
Mots-clésMedicineLung cancerStage (stratigraphy)DiseasePopulationInternal medicineOncologyIntensive care medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Background: Patients with metastatic non-small cell lung cancer (NSCLC) experience significant morbidity with dyspnea being a common symptom with a prevalence of 70%. The objective of this study was to determine factors associated with a moderate-to-severe dyspnea score based on the Edmonton Symptom Assessment System (ESAS), as well as resultant patterns of intervention and factors correlated to intervention receipt. Methods: Using health services administrative data, we conducted a population-based study of all patients diagnosed with metastatic NSCLC treated from January 2007 to September 2018 in the province of Ontario. The primary outcomes of interest are the prevalence of moderate-to-severe dyspnea scores, and the receipt of dyspnea-directed intervention. Differences in baseline characteristic between moderate-to-severe dyspnea and low dyspnea score cohorts were assessed by comparative statistics. Predictors of intervention receipt for patients with moderate-to-severe dyspnea scores were estimated using multivariable modified Poisson regression. Results: The initial study cohort included 13,159 patients diagnosed with metastatic NSCLC and of these, 9,434 (71.7%) reported a moderate-to-severe dyspnea score. Compared to patients who did not report moderate-to-severe dyspnea scores, those who reported a moderate-to-severe dyspnea score were more likely to complete a greater number of ESAS surveys, be male, have a higher Elixhauser comorbidity index (ECI) score, and receive subsequent systemic therapy after diagnosis. Most patients with a moderate-to-severe dyspnea score received intervention (96%), of which the most common were palliative care management (87%), thoracic radiotherapy (56%) and thoracentesis (37%). Multivariable regression identified older patients to be less likely to undergo pleurodesis. Thoracentesis was less common for patients living in rural and non-major urban areas, lower income areas, and earlier year of diagnosis. Receipt of thoracic radiotherapy was less common for older patients, females, those with ECI ≥4, patients living in major urban areas, and those with later year of diagnosis. Finally, palliative care referrals were less frequent for patients with ECI ≥4, age 60-69, residence outside of major urban areas, earlier year of diagnosis, and lower income areas. Conclusions: Dyspnea is a prevalent symptom amongst patients with metastatic NSCLC. Subpopulations of patients with moderate-to-severe dyspnea scores were in which inequities may exist in access to care that require further attention and evaluation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,014
Score d'incertitude au seuil0,406

Scores Codex et Gemma par catégorie

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

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 Opus0,007
Tête enseignante GPT0,304
Écart entre enseignants0,296 · 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 tête enseignante, 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

Citations6
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Thoracic DiseaseMême sujetLung Cancer Diagnosis and TreatmentTravaux en français237 207