MétaCan
Menu
Retour à la cohorte
Enregistrement W4402986678 · doi:10.1200/op.2024.20.10_suppl.34

Baseline practice-level financial screening processes and resources among Children’s Oncology Group National Cancer Institute Community Oncology Research Programs (NCORP).

2024· article· en· W4402986678 sur OpenAlexaff
Melissa Beauchemin, Sheila Judge Santacroce, Olivia Ponce, Lingyun Ji, Subhash Ramakrishnan, Kira Bona, Yudy Muneton Castano, Joanna Robles, Kamala Allen, Lillian Sung, Susan K. Parsons

Notice bibliographique

RevueJCO Oncology Practice · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Financial Impacts of Cancer
Établissements canadiensHospital for Sick Children
Organismes subventionnairesnon disponible
Mots-clésBaseline (sea)Internal medicineMedicineOncologyClinical OncologyCancerFamily medicinePolitical science

Résumé

récupéré en direct d'OpenAlex

34 Background: Financial toxicity is an increasingly recognized and prevalent adverse effect during cancer treatment. Systematic financial screening is recommended for families of children with cancer, and emerging data support the importance of system-level support and interventions to mitigate financial toxicity. Financial distress is a key, measurable domain of financial toxicity. Methods: To inform interventions for pediatric oncology settings, we are conducting ACCL20N1CD, a Children’s Oncology Group (COG) prospective, multilevel observational study among NCORP practices in the US, to determine the risk and trajectory for financial distress in guardians of children with newly diagnosed acute lymphoblastic leukemia. We analyzed baseline survey data from COG NCORP practices that enrolled at least one parent. Data were collected via REDCap following the practice’s first parent enrollment. We describe practice participation patterns, current approaches to financial screening, and available resources to address identified needs including navigation. Results: Of 50 eligible COG NCORP practices, 40 (80%) activated the study, and 28 (56%) enrolled at least 1 participant and thus, completed the survey. Most (61%) of these practices treated 50-99 new pediatric oncology patients annually; 10 (36%) enrolled at least 5 participants in ACCL20N1CD. Twenty (71%) reported that their practice routinely conducted financial screening in addition to insurance assessment; 15 (75%) of these 20 practices conducted financial screening at more than one timepoint. Social workers were primarily responsible for screening (16/20; 80%). Only three practices (3/28; 11%) used a standardized financial screening tool. Most practices had access to a private foundation/organization (25/28, 89%), institutional support (23/28, 82%), or local referrals to organizations (22/28, 78%) that provided financial support for patients/families. Fewer practices had patient navigators (9/28, 32%), financial navigators (8/28, 28%), or legal advocates (3/28, 11%) available to assist families. Conclusions: Though most COG practices treating children of parents enrolled in 20N1CD conduct financial screening, processes are not standardized, and resources available to address identified needs and potentially mitigate financial toxicity vary. Further, these data represent enrolling sites which may overestimate screening practices within COG NCORP practices. Variations in financial screening procedures and lack of individual-level resources to facilitate screening may impact delivery of equitable high-quality cancer care across NCORP COG practices. Clinical trial information: NCT04928599 .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,143
Score d'incertitude au seuil0,283

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,017
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,203
Tête enseignante GPT0,417
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJCO Oncology PracticeMême sujetEconomic and Financial Impacts of CancerTravaux en français237 207