Defining and Measuring Financial Toxicity in Low- and Middle-Income Countries
Notice bibliographique
Résumé
PURPOSE: Financial toxicity (FT) of cancer treatment likely affects more patients in low- and middle-income countries (LMICs); however, most of the research on FT comes from high-income countries, which may not apply to LMICs. The causes and consequences of FT in patients with cancer in LMICs remain understudied. METHODS: Following PRISMA guidelines, we searched MEDLINE, Web of Science, and CINAHL for FT literature in cancer originating from LMICs from inception until the end of 2023, and documented the different definitions used to define FT in LMICs, and the magnitude of FT documented using those definitions. LMIC was defined using the World Bank Country and Lending Group classification. RESULTS: Sixty-eight studies met the inclusion criteria. Studies on FT in cancer originating from LMICs have increased in recent years (>75% studies published 2020 onward) and used varying criteria to define FT, broadly categorized into five themes. Majority of the studies defined FT in terms of catastrophic health expenditure (45%) or household impoverishment (10%), while 26% of the studies used the Comprehensive Score for Financial Toxicity tool, developed and validated in US patients, to measure FT in LMIC settings. Twenty-six percent of the studies defined FT in terms of coping mechanisms and 10% in terms of subjective financial burden. The magnitude of FT in patients with cancer was substantial irrespective of the definitions used. CONCLUSION: This review synthesizes the different definitions of FT for LMICs that have been used in the literature so far. We conclude that the definitions that capture the coping mechanisms or hardships might reflect the magnitude of FT better than absolute dollar values or relative percentages of expenditures. Future studies can use our results to devise locally tailored definitions of FT.
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 | 0,019 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,016 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».