The impact of admitting ward on resource utilization and outcomes among hospitalized cancer survivors.
Notice bibliographique
Résumé
1550 Background: With improvements in the early detection and treatment of cancer, there is a growing population of cancer survivors; with a corresponding increase in acute care use among cancer survivors. However, models of inpatient care delivery for cancer survivors differ between hospitals and regions, which may impact resource use and outcomes. Understanding how different models influence outcomes may help define optimal models for inpatient care delivery for this population. Methods: We created a multicenter cohort of all cancer patients admitted to medical wards across 26 hospitals in Ontario, Canada from 2015 to 2022, and deterministically linked population-level administrative data including ambulatory oncology data, with each hospital’s patient-level electronic information (pharmacy, orders, notes, laboratory/imaging and results). Multivariable regression models compared characteristics and outcomes between patients admitted on oncology wards vs non-oncology wards adjusting for age, sex and co-morbidity scores. Results: In total, there were 370,118 hospitalizations from 191,990 unique patients. Among these hospitalizations, 38,075 episodes (10.3%) were on an oncology ward. The median time from cancer diagnosis to hospitalization was 4 years. The most common disease sites were genitourinary (21%), gastrointestinal (20%), breast (12%), and lung (10%). The most discharge diagnoses from oncology wards were inpatient chemotherapy (9%), febrile neutropenia (7%), non-Hodgkin’s lymphoma (4%), acute myeloid leukemia (4%), myeloma (3%); while for non-oncology wards were heart failure (5%), palliative care (4%), UTI (2%), pneumonia (2%), acute renal failure (2%). In general, cancer patients admitted on oncology wards were younger (64 vs 76), had shorter length of stay (LOS; 9.6 vs 10.1 days), less in-hospital mortality (7.5% vs 11.4%), greater 30-day re-admission rates (29% vs 14%) and were also more likely to undergo CTs (28% vs 21%), MRIs (11% vs 9%) and interventional procedures (8% vs 6%) (all comparisons, p<0.001). Subgroup analysis focusing on the top 5 discharge diagnoses from non-oncology wards, showed that despite higher in-hospital mortality rates (aOR 1.27 95% CI [1.15-1.40] p<0.001), admission to a non-oncology ward for those diagnoses was associated with a shorter LOS (aOR 0.96 [0.92-1.00] p=0.03), reduced 30-day re-admission rates (aOR 0.77 [0.69-0.87] p<0.001), and reduced use of CTs (aOR 0.74 [0.68-0.82] p<0.001), MRIs (aOR 0.80 [0.68-0.95] p=0.01), and interventional procedures (aOR 0.84 [0.69-1.01] p=0.07). Conclusions: There are differences in both resource use and outcomes for cancer survivors hospitalized on oncology versus non-oncology wards, including for patients with the same discharge diagnosis. To optimize inpatient cancer care delivery for hospitalized cancer survivors, further exploration is needed.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».