Financial Toxicity and Out-of-Pocket Costs for Patients with Head and Neck Cancer
Notice bibliographique
Résumé
Aim: To quantify financial toxicity and out-of-pocket costs for patients with HNC in Australia and explore their relationship with health-related quality of life (HRQoL). Methods: A cross-sectional survey was administered to patients with HNC 1–3 years after radiotherapy at a regional hospital in Australia. The survey included questions on sociodemographics, out-of-pocket expenses, HRQoL, and the Financial Index of Toxicity (FIT) tool. The relationship between high financial toxicity scores (top quartile) and HRQoL was explored. Results: Of the 57 participants included in the study, 41 (72%) reported out-of-pocket expenses at a median of AUD 1796 (IQR AUD 2700) and a maximum of AUD 25,050. The median FIT score was 13.9 (IQR 19.5) and patients with high financial toxicity (n = 14) reported poorer HRQoL (76.5 vs. 114.5, p < 0.001). Patients who were not married had higher FIT scores (23.1 vs. 11.1, p = 0.01), as did those with lower education (19.3 vs. 11.1, p = 0.06). Participants with private health insurance had lower financial toxicity scores (8.3 vs. 17.6, p = 0.01). Medications (41%, median AUD 400), dietary supplements (41%, median AUD 600), travel (36%, median AUD 525), and dental (29%, AUD 388) were the most common out-of-pocket expenses. Participants living in rural locations (≥100 km from the hospital) had higher out-of-pocket expenses (AUD 2655 vs. AUD 730, p = 0.01). Conclusion: Financial toxicity is associated with poorer HRQoL for many patients with HNC following treatment. Further research is needed to investigate interventions aimed at reducing financial toxicity and how these can best be incorporated into routine clinical 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».