What can patient-reported experience measures tell us about the variation in patients’ experience of prostate cancer care? A cross-sectional study using survey data from the National Prostate Cancer Audit in England
Notice bibliographique
Résumé
OBJECTIVES: A national survey aimed to measure how men with prostate cancer perceived their involvement in and decisions around their care immediately after diagnosis. This study aimed to describe any differences found by socio-demographic groups. DESIGN: Cross-sectional study of men who were diagnosed with and treated for prostate cancer. SETTING: The National Prostate Cancer Audit patient-reported experience measures (PREMs) survey in England. PARTICIPANTS: Men diagnosed in 2014-2016, with non-metastatic prostate cancer, were surveyed. Responses from 32 796 men were individually linked to records from a national clinical audit and to administrative hospital data. Age, ethnicity, deprivation and disease risk classification were used to explore variation in responses to selected questions. PRIMARY AND SECONDARY OUTCOME MEASURES: Responses to five questions from the PREMs survey: the proportion responding to the highest positive category was compared across the socio-demographic characteristics above. RESULTS: When adjusted for other factors, older men were less likely than men under the age of 60 to feel side effects had been explained in a way they could understand (men 80+: relative risk (RR)=0.92, 95% CI 0.84 to 1.00), that their views were considered (RR=0.79, 95% CI 0.73 to 0.87) or that they were involved in decisions (RR=0.92, 95% CI 0.85 to 1.00). The latter was also apparent for men who were not white (black men: RR=0.89, 95% CI 0.82 to 0.98; Asian men: RR=0.85, 95% CI 0.75 to 0.96) and, to a lesser extent, for more deprived men. CONCLUSIONS: The observed discrepancies highlight the need for more focus on initiatives to improve the experience of ethnic minority patients and those older than 60 years. The findings also argue for further validation of discriminatory instruments to help cancer care providers fully understand the variation in the experience of their patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».