Utility of 30‐day mortality as a quality metric for palliative radiation treatment: A population‐based analysis from Queensland, Australia
Notice bibliographique
Résumé
INTRODUCTION: Palliative radiotherapy (PRT) is frequently used to treat symptoms of advanced cancer, however benefits are questionable when life expectancy is limited. The 30-day mortality rate after PRT is a potential quality indicator, and results from a recent meta-analysis suggest a benchmark of 16% as an upper limit. In this population-based study from Queensland, Australia, we examined 30-day mortality rates following PRT and factors associated with decreased life expectancy. METHODS: Retrospective population data from Queensland Oncology Repository was used. Study population data included 22,501 patients diagnosed with an invasive cancer who died from any cause between 2008 and 2017 and had received PRT. Thirty-day mortality rates were determined from the date of last PRT fraction to date of death. Cox proportional hazards models were used to identify factors independently associated with risk of death within 30 days of PRT. RESULTS: Overall 30-day mortality after PRT was 22.2% with decreasing trend in more recent years (P = 0.001). Male (HR = 1.20, 95% CI = 1.13-1.27); receiving 5 or less radiotherapy fractions (HR = 2.97, 95% CI = 2.74-3.22 and HR = 2.17, 95% CI = 2.03-2.32, respectively) and receiving PRT in a private compared to public facility (HR = 1.61, 95% CI = 1.51-1.71) was associated with decreased survival. CONCLUSION: The 30-day mortality rate in Queensland following PRT is higher than expected and there is scope to reduce unnecessarily protracted treatment schedules. We encourage other Australian and New Zealand centres to examine and report their own 30-day mortality rate following PRT and would support collaboration for 30-day mortality to become a national and international quality metric for radiation oncology centres.
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 | 0,003 | 0,003 |
| 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) | 0,001 | 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 ».