End-of-life care in glioblastoma: A population-based study
Notice bibliographique
Résumé
BACKGROUND: The end-of-life (EoL) phase of care is inevitable for glioblastoma (GBM) patients; however, it lacks standardization. This study aimed to characterize the utilization of care at EoL in GBM patients, focusing on trends over time, regional variability, and the influence of socioeconomic factors. METHODS: This was a retrospective population-based cohort study of all patients with GBM treated in Ontario between 1994 and 2018 using administrative health data and registries available at ICES (formerly the Institute for Clinical Evaluative Sciences). The proportion of patients with palliative care, supportive care, and in-hospital deaths by year of diagnosis was estimated, and trends were assessed with the Cochrane-Armitage trend test. RESULTS: The cohort included 9013 GBM patients. There was an increase in supportive care components over the study time period (29.6% in 1994-1998 to 60.2% in 2014-2018; P < .0001). There was a simultaneous decrease in in-hospital deaths (50.5% in 1994-1998 to 21.4% in 2014-2018; P < .001) and hospitalizations within 30 days before death (65.5% in 1994-1998 to 51.7% in 2014-2018, P < .001). This coincided with an increase in chemotherapy administration within 14 days of death and intensive care unit admissions within 30 days of death over the studied period of time. Patient neighborhood income level and geographic location influenced EoL care patterns with regard to both supportive and aggressive components. CONCLUSIONS: Over time there was an expansion of both inpatient and outpatient palliative care use at EoL. Rurality and neighborhood income quintile significantly influenced the utilization of these resources, underscoring the need for standardized EoL care practices.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».