Outcomes of rectal cancer treatment in rural Australia and New Zealand: analysis of the bowel cancer outcomes registry
Notice bibliographique
Résumé
BACKGROUND: The demographics and geography of Australia and New Zealand (ANZ), with few metropolitan centres and vast, sparsely populated rural areas, represent a challenge to providing equal care to all patients. This study aimed to compare rectal cancer care at rural and urban hospitals in ANZ. METHODS: From the Bowel Cancer Outcomes Registry (BCOR, formerly known as the Bi-National Colorectal Cancer Audit; BCCA), rectal cancer patients treated between 2007 and 2020 were compared based on hospital location (urban versus rural). Propensity-score matching was performed to correct for differences in baseline characteristics between groups. RESULTS: A total of 9385 rectal cancer patients were identified from the BCOR: 1329 (14.2%) were treated at rural hospitals and 8056 (85.8%) at urban hospitals. Propensity-score matching resulted in 889 patients in each group, matched for age, ASA score, hospital type (public/private), tumour height from the anal verge, and pre-treatment cT- and cAJCC-stage. Rural patients had fewer pre-treatment MRIs (67.9% versus 74.7%; P = 0.002), and underwent less neoadjuvant therapy (44.7% versus 50.9%; P = 0.01). Rural patients underwent fewer ULARs (39.4% versus 45.6%; P = 0.03), and fewer anastomoses were formed (67.9% versus 74.4%; P = 0.05). CRM rates and postoperative AJCC stages (P = 0.19) were similar between groups (P = 0.87). Fewer rural patients received adjuvant chemotherapy (37.8% versus 43.3%; P = 0.02). CONCLUSION: There are significant differences in pre-treatment MRI rates, (neo)adjuvant treatment rates and surgical procedures performed between rectal cancer patients treated at rural and urban hospitals in ANZ, while CRM rates and postoperative AJCC stages are similar.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».