Differences in Health Care Expenditures by Cancer Patients During Their Last Year of Life: A Registry-Based Study
Notice bibliographique
Résumé
Background. During the last year of life, persons with cancer should probably have similar care needs and costs, but studies suggest otherwise. Methods. A study of direct medical costs (excluding costs for expensive prescription drugs) was performed based on registry data in Stockholm County, which covers 2.4 million inhabitants, for all deceased persons with cancer during 2015–2021. The data were mainly analyzed with the aid of multiple regression models, including Generalized Linear Models (GLMs). Results. In a population of 20,431 deceased persons with cancer, the costs increased month by month (p < 0.0001). Higher costs were mainly associated with lower age (p < 0.0001), higher risk of frailty, as measured by the Hospital Frailty Risk Scale (p < 0.0001), and having a hematological malignancy. In a separate model, where those 5% with the highest costs were identified, these variables were strengthened. Sex and socio-economic groups on an area level had little or no significance. Systemic cancer treatments during the last month of life and acute hospitals as place of death had only a moderate impact on costs in adjusted models. Conclusions. Higher costs are mainly related to lower age, higher frailty risk and having a hematological malignancy, and the effects are both statistically and clinically significant despite the fact that expensive drugs were not included. On the other hand, the costs were mainly comparable in regard to sex or socio-economic factors, indicating equal 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 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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».