Financial Toxicity and Breast Cancer: Why Does It Matter, Who Is at Risk, and How Do We Intervene?
Notice bibliographique
Résumé
Financial toxicity, or the financial burden patients experience because of medical costs, can lead to negative patient effects including lower quality of life, compromised clinical care, and worse health outcomes. People with cancer and survivors are more likely to have financial toxicity than those without cancer, and patients with breast cancer are uniquely at risk. Patients with breast cancer often require multimodal treatment (surgery, radiation, and/or systemic therapy) and adjuvant hormonal therapy can continue for years after primary treatment. With improved disease outcomes, patients with breast cancer have prolonged survivorship often lasting decades but may carry chronic toxicities from treatment; both ongoing treatment of metastatic disease and long-term surveillance include continued tests, imaging, and medical visits that add to the cumulative burden on patients and their families. Additionally, breast cancer predominately affects women, who are more likely to have dual caregiver responsibilities, and increasingly is diagnosed in younger patients, who may have fertility preservation expenses and are more likely to experience education and/or employment disruption. When faced with high costs, patients may face difficult decisions regarding what sacrifices they are willing to endure to receive care. Interventions designed to reduce financial toxicity are moving out of the pilot phase, and ongoing randomized trials are expected to provide evidence into the effectiveness of financial navigation programs. Further work to address financial toxicity in breast cancer at the patient-provider, institutional, and governmental levels is needed for comprehensively better financial outcomes and quality of life.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».