Novel Systemic Anticancer Therapy and Healthcare Utilization at the End of Life: A Retrospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Novel systemic anticancer therapies (SACT) in the form of targeted and immunotherapies are increasingly replacing traditional chemotherapy. Little is known about the impact of novel SACT on healthcare resource utilization (HCRU) at the end of life. METHODOLOGY: A retrospective review of patients attending a tertiary cancer center in Toronto, Canada, with advanced solid or hematological malignancies who died in 2019. Demographic and cancer data, SACT use, HCRU (emergency room [ER] visits, acute/intensive care unit [ICU] admission, and place of death) were retrieved and compared between those who received SACT in their last 30 days of life and those who did not. Chi-squared tests or Quasi-Poisson regression calculated HCRU expressed as percentages or rate ratios (RR). Univariate and multivariable logistic regression identified factors independently associated with SACT use. RESULTS: Of 443 patients included, 88 (20%) received SACT in the last 30 days of life, with 42 (48%) receiving targeted therapies and 10 (11%) immunotherapy. Factors associated with SACT use included younger age (p = 0.016), breast (p < 0.001), lung (p = 0.047), hematological malignancies (p = 0.002), fewer comorbidities (p = 0.039), and novel SACT (p = 0.006). Receipt of SACT was associated with a higher frequency of ER visits (55% vs. 36% who did not receive SACT, p = 0.001), acute hospitalizations (68% vs. 47%, p < 0.001), ICU admissions (18% vs. 7%, p = 0.003), and death in hospital (45% vs. 30%, p = 0.008). CONCLUSION: Novel SACT use at the end of life is high and is strongly associated with HCRU. Future studies should explore the impact of advance care planning and palliative care referrals on SACT use.
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 ».