Barriers to cancer treatment for people experiencing socioeconomic disadvantage in high-income countries: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Despite advances in cancer research and treatment, the burden of cancer is not evenly distributed. People experiencing socioeconomic disadvantage have higher rates of cancer, later stage at diagnoses, and are dying of cancers that are preventable and screen-detectable. However, less is known about barriers to accessing cancer treatment. METHODS: We conducted a scoping review of studies examining barriers to accessing cancer treatment for populations experiencing socioeconomic disadvantage in high-income countries, searched across four biomedical databases. Studies published in English between 2008 and 2021 in high-income countries, as defined by the World Bank, and reporting on barriers to cancer treatment were included. RESULTS: A total of 20 studies were identified. Most (n = 16) reported data from the United States, and the remaining included publications were from Canada (n = 1), Ireland (n = 1), United Kingdom (n = 1), and a scoping review (n = 1). The majority of studies (n = 9) focused on barriers to breast cancer treatment. The most common barriers included: inadequate insurance and financial constraints (n = 16); unstable housing (n = 5); geographical distribution of services and transportation challenges (n = 4); limited resources for social care needs (n = 7); communication challenges (n = 9); system disintegration (n = 5); implicit bias (n = 4); advanced diagnosis and comorbidities (n = 8); psychosocial dimensions and contexts (n = 6); and limited social support networks (n = 3). The compounding effect of multiple barriers exacerbated poor access to cancer treatment, with relevance across many social locations. CONCLUSION: This review highlights barriers to cancer treatment across multiple levels, and underscores the importance of identifying patients at risk for socioeconomic disadvantage to improve access to treatment and cancer outcomes. Findings provide an understanding of barriers that can inform future, equity-oriented policy, practice, and service innovation.
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 | 0,014 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,016 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».