Treatment Patterns, Healthcare Resource Utilization, and Costs of Patients With Chronic Lymphocytic Leukemia or Small Lymphocytic Lymphoma in the US
Notice bibliographique
Résumé
BACKGROUND: Chronic lymphocytic leukemia (CLL) is the most common type of leukemia among US adults and has experienced a rapidly evolving treatment landscape; yet current data on treatment patterns in clinical practice and economic burden are limited. This study aimed to provide an up-to-date description of real-world characteristics, treatments, and costs of patients with CLL or small lymphocytic lymphoma (SLL). MATERIALS AND METHODS: Using retrospective data from the Optum Clinformatics DataMart database (January 2013 to December 2021), adults with diagnosis codes for CLL/SLL on two different dates were selected. An adapted algorithm identified lines of therapy (LOT). Treatment patterns were stratified by the index year pre- and post-2018. Healthcare resource utilization and costs were evaluated per patient-years. RESULTS: A total of 18 418 patients with CLL/SLL were identified, 5226 patients (28%) were treated with ≥1 LOT and 1728 (9%) with ≥2 LOT. Among patients diagnosed with CLL in 2014-2017 and ≥1 LOT (N = 2585), 42% used targeted therapy and 30% used chemoimmunotherapy in first line (1L). The corresponding proportions of patients diagnosed with CLL in 2018-2021 (N = 2641) were 54% and 16%, respectively. Total costs were numerically 3.5 times higher and 4.9 times higher compared with baseline costs among patients treated with 1L+ and 3L+, respectively. CONCLUSION: This study documented the real-world change in CLL treatment landscape and the substantial economic burden of patients with CLL/SLL. Specifically, targeted therapies were increasingly used as 1L treatments and they were part of more than half of 1L regimens in recent years (2018-2021).
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 | 0,000 |
| 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 | 0,001 |
| 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 ».