End-of-life interventions in patients with cancer
Notice bibliographique
Résumé
OBJECTIVES: To describe variations in the receipt of potentially inappropriate interventions in the last 100 days of life of patients with cancer according to patient characteristics and cancer site. METHODS: We conducted a population-based retrospective cohort study of cancer decedents in Ontario, Canada who died between 1 January 2013 and 31 December 2018. Potentially inappropriate interventions, including chemotherapy, major surgery, intensive care unit admission, cardiopulmonary resuscitation, defibrillation, dialysis, percutaneous coronary intervention, mechanical ventilation, feeding tube placement, blood transfusion and bronchoscopy, were captured via hospital discharge records. We used Poisson regression to examine associations between interventions and decedent age, sex, rurality, income and cancer site. RESULTS: Among 151 618 decedents, 81.3% received at least one intervention, and 21.4% received 3+ different interventions. Older patients (age 95-105 years vs 19-44 years, rate ratio (RR) 0.36, 95% CI 0.34 to 0.38) and women (RR 0.94, 95% CI 0.93 to 0.94) had lower intervention rates. Rural patients (RR 1.09, 95% CI 1.08 to 1.10), individuals in the highest area-level income quintile (vs lowest income quintile RR 1.02, 95% CI 1.01 to 1.04), and patients with pancreatic cancer (vs colorectal cancer RR 1.10, 95% CI 1.07 to 1.12) had higher intervention rates. CONCLUSIONS: Potentially inappropriate interventions were common in the last 100 days of life of cancer decedents. Variations in interventions may reflect differences in prognostic awareness, healthcare access, and care preferences and quality. Earlier identification of patients' palliative care needs and involvement of palliative care specialists may help reduce the use of these interventions at the end of life.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».