S5 Real-world evidence on the journey of lung cancer patients in England: delays in diagnosis and treatment
Notice bibliographique
Résumé
Introduction Lung Cancer (LC) is the most frequently diagnosed cancer worldwide. Timeliness in diagnosis is crucial, as delays contribute to worsened survival. Diagnostic delays can lead to unplanned healthcare utilisation, including A&E visits. In the UK, the National Lung Cancer Audit evaluates quality metrics. To improve LC care, this study was conducted to understand patterns in patients not meeting national goals in real-world settings. Methods Adult patients (≥ 18 years) diagnosed with LC (ICD-10: C34) between 1 April 2018 and 31 March 2019 were included. Linked data from Hospital Episode Statistics (HES) and the Diagnostic Imaging Database (DID) were used. Patients were excluded if they had another primary cancer or no records in DID prior to diagnosis. Records of chest imaging in the six months before diagnosis were extracted using OPCS-4 codes in HES and SNOMED, modality, or NICIP codes in DID. Presence of a code for imaging and a code for body part (i.e., chest) were both required. Treatments received within 12 months after diagnosis were analysed. Intervals were reported as median days and upper quartiles (75th percentile). Proportions of patients visiting A&E were reported. Results A total of 21,052 patients diagnosed with LC during the study period were included. Median time from first chest imaging to diagnosis was 56 days, with the upper quartile of 113 days. Almost half (46%) of patients had more than one chest X-ray and 17% had more than one CT scan before diagnosis. Median time from first chest imaging to treatment was 84 days, with the upper quartile of 136 days. A third (31%) were diagnosed via emergency presentation and more than half (53%) visited A&E between first imaging to treatment. Patients whose diagnosis took longer (> 56 days) had on average two A&E visits before treatment, compared to one visit in those diagnosed sooner (≤ 56 days). Conclusion Timeliness of LC care remains an ongoing concern and this research provides real-world evidence to understand disparities in diagnostic pathways. Prolonged time to diagnosis and treatment can lead to increased healthcare utilisation with repeated diagnostic imaging and unplanned A&E visits.
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 | 0,005 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,002 |
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 ».