Comparing the characteristics and outcomes of hospitalizations between cancer and non-cancer survivors.
Notice bibliographique
Résumé
12138 Background: Cancer prevalence is rising, with a corresponding increase in hospitalizations across the cancer continuum. However, little is known about how in-hospital patterns of care and outcomes of cancer survivors compare with non-cancer survivors as administrative data may not capture in-hospital details (e.g., investigations and medications) required for characterization. Understanding differences in how cancer and non-cancer inpatients are managed and their outcomes can help optimize their acute care delivery. Methods: In a multicenter registry of all patients (pts) admitted to medical wards across 26 hospitals (Ontario, Canada) from 2015-2022, we deterministically linked population-level administrative data, including ambulatory oncology data for cancer survivors, with each hospital’s electronic information (pharmacy, orders, notes, laboratory, imaging) at the patient level. Multivariable regression models compared resource use and outcomes between cancer and non-cancer pts for the top 5 discharge diagnoses among non-cancer pts. Results: Of 1,221,067 hospitalizations belonging to 666,569 pts, 30% of medical ward hospitalizations were for pts with a cancer history, with median admission date 4 years post-diagnosis; most common cancer sites were genitourinary (21%), gastrointestinal (20%), breast (12%), lung (10%). Most common discharge diagnoses among cancer pts were heart failure (HF) (5%), palliative care (5%), urinary tract infection (UTI) (2%), pneumonia (2%) renal failure (2%); while for non-cancer pts were HF (5%), myocardial infarction (3%), coronary artery disease (3%), COPD (2%) and UTI (2%). Compared to non-cancer pts, cancer pts were older (72 vs 66), had greater length of stay (LOS; 10 vs 8.7 days), in-hospital mortality (11% vs 6%) and 30 day re-admission rates (16% vs 11%) and were more likely to receive CTs (21% vs 15%), MRIs (9% vs 8%) and interventional procedures (6% vs 4%) (p < 0.001, all comparisons). When evaluating the top 5 discharge diagnoses among non-cancer patients, cancer survivors had higher LOS (aOR=1.06 95% [1.05-1.07] p<0.001), in-hospital mortality (aOR=1.20 [1.14-1.26] p<0.001), and 30 day re-admission rates (aOR=1.24 [1.14-1.35] p<0.001) and were more likely to receive CTs (aOR=1.25 [1.21-1.30] p<0.001), MRIs (aOR=1.36 [1.25-1.48] p<0.001) and interventional procedures (aOR=1.36 [1.25-1.47] p<0.001). Subgroup analyses focusing on cancer survivors admitted 3 and 5 years out from their diagnosis showed resource use and outcomes were closer to non-cancer patients. Conclusions: Cancer survivors represent a unique population on medical wards and have higher resource use, mortality and LOS compared to non-cancer patients, even for the same non-cancer diagnoses. Specialized models of care for hospitalized cancer survivors may be warranted, in particular for those admitted closer to their diagnosis date.
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 | 0,001 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».