Financial Toxicity: Unveiling the Burden of Cancer Care on Patients in Rwanda
Notice bibliographique
Résumé
INTRODUCTION: Cancer is a major public health problem in Rwanda and other low- and middle-income countries (LMICs). While there have been some improvements in access to cancer treatment, the cost of care has increased, leading to financial toxicity and treatment barriers for many patients. This study explores the financial toxicity of cancer care in Rwanda. METHODS: This prospective cross-sectional study was conducted at 3 referral hospitals in Rwanda, which deliver most of the country's cancer care. Data were collected over 6 months from June 1 to December 1, 2022 by trained research assistants (RAs) using a modified validated data collection tool. RAs interviewed consecutive eligible patients with breast cancer, cervical cancer, colorectal cancer, Hodgkin's and non-Hodgkin's lymphoma who were on active systemic therapy. The study aimed to identify sources of financial burden. Data were analyzed using descriptive statistics. RESULTS: 239 patients were included; 75% (n = 180/239) were female and mean age was 51 years. Breast, cervix, and colorectal cancers were the most common diagnoses (42%, 100/239; 24%, 58/239; and 24%, 57/239, respectively) and 54% (n = 129/239) were diagnosed with advanced stage (stages III-IV). Financial burden was high; 44% (n = 106/239) of respondents sold property, 29% (n = 70/239) asked for charity from public, family, or friends, and 16% (n = 37/239) took loans with interest to fund cancer treatment. CONCLUSION: Despite health insurance which covers many elements of cancer care, a substantial proportion of patients on anti-cancer treatment in Rwanda experience major financial toxicity. Novel health financing solutions are needed to ensure accessible and affordable cancer 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 ».