Financial Toxicity in Breast Implant–Associated Anaplastic Large Cell Lymphoma
Notice bibliographique
Résumé
BACKGROUND: Financial toxicity is a growing concern due to its considerable effects on medical adherence, quality of life, and mortality. The cost associated with breast implant-associated anaplastic large cell lymphoma (BIA-ALCL) is substantial from diagnosis to treatment, including adjuvant therapy and surgery. This study aims to assess the prevalence of financial toxicity in BIA-ALCL patients. METHODS: We performed a cross-sectional, survey-based study on women with confirmed cases of BIA-ALCL from December 2019 to March 2023. The primary study outcomes were financial toxicity measured by Comprehensive Score for Financial Toxicity (COST) score and patient-reported financial burden measured by the responses to the Evaluation of the Financial Impact of BIA-ALCL survey. Lower COST scores signify higher financial toxicity. Responses were linked to patient data extracted from the medical records. RESULTS: Thirty-two women treated for confirmed BIA-ALCL were included. Patients were all White and were diagnosed at a median age of 51 years (range, 41-65 years). The mean COST score was 27.9 ± 2.23. Lower COST scores were associated with receipt of radiotherapy ( P = 0.033), exceeding credit card limits ( P = 0.036), living paycheck to paycheck ( P = 0.00027), requiring financial support from friends and family ( P = 0.00044), and instability in household finances ( P = 0.034). CONCLUSIONS: Financial toxicity is prevalent in BIA-ALCL patients and has a substantial impact on patient reported burden. Insurance denial is frequent for patients with a prior history of cosmetic augmentation. Risk assessments and cost discussions should occur throughout the care continuum to minimize financial burden.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 0,001 |
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 ».