Financial Toxicity in Cancer Supportive Care: An International Survey
Notice bibliographique
Résumé
PURPOSE: The study aims to explore unmet social needs and sources of financial toxicities in patients as noted by health care professionals and researchers in cancer supportive care, shedding light on potential health disparities. METHODS: In this cross-sectional survey, we anonymously surveyed active members of the Multinational Association of Supportive Care in Cancer (MASCC). The survey, structured in three sections, included questions regarding the routine assessment of social needs during patient consultations, sociodemographic aspects, factors influencing financial toxicity (FT), perceived support for managing FT, and available/desirable resources. RESULTS: A total of 218 MASCC members were included, predominantly from high-income countries (HIC, 73.4%), with many age 41-60 years (56.5%) and female (56.9%). Drug/treatment cost and insurance coverage were the main sources for FT among the HIC, whereas participants from low-middle-income countries (LMIC) considered transportation cost, loss of employment because of cancer diagnosis, and unavailability of return-to-work services as the top three sources of FT. Respondents from LMIC (adjusted odds ratio [aOR], 3.01 [95% CI, 1.15 to 7.93]) and physicians (aOR, 2.67 [95% CI, 1.15 to 6.21]) were more likely to routinely assess financial coverages. Socioeconomic status was consistently ranked as one of the top three sources of financial toxicities by participants from LMIC (34%), HIC excluding the United States (38%), those who do not self-identify as racial/ethnic minority (36%), and physicians (40%). CONCLUSION: This global survey of health care professionals and researchers in HIC and LMIC revealed varying approaches to assessing financial coverage and social needs. Socioeconomic status emerged as a consistent concern across countries, affecting financial toxicities. The study highlights the need for tailored approaches and improved resource visibility while emphasizing clinicians' pivotal role in addressing financial aspects of cancer care.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».