Inequalities in CAR T-cell therapy access for US patients with relapsed/refractory DLBCL: a SEER-Medicare data analysis
Notice bibliographique
Résumé
ABSTRACT: Chimeric antigen receptor (CAR) T-cell (CAR-T) therapy has shown curative potential for patients with diffuse large B-cell lymphoma (DLBCL) and other malignancies, but its accessibility among Medicare patients, particularly in disadvantaged populations, remains uncertain. This study aims to assess CAR-T use among Medicare patients with DLBCL receiving third-line or later (3L+) treatment, focusing on access disparities and their impact on clinical outcomes. Using Surveillance, Epidemiology, and End Results (SEER)-Medicare data from 2007 to 2020, multivariate logistic regression was used to evaluate patient characteristics and the effects of distance to authorized treatment centers (ATCs) on CAR-T access. Between 2017 and 2020, 2241 patients were treated for 3L+ DLBCL in the SEER-Medicare data, of whom 122 (5.4%) received CAR-Ts. CAR-T recipients were less likely to have multiple comorbidities (odds ratio [OR], 0.904; P = .001) but more likely to live in higher income areas (OR, 1.176; P = .004). If distance to the nearest ATC for "poor-access" states (average distance to ATC, 104.4 miles) decreased to the average distance in "better-access" states (34.2 miles), there would be a 37.6% increase in number of patients receiving CAR-Ts (6.6%-9.1%; P < .001). These findings highlight substantial disparities in CAR-T use, driven by geographic and socioeconomic factors. Addressing these barriers could significantly enhance equitable access to CAR-T therapy and improve outcomes for underserved populations, emphasizing the need for targeted interventions to reduce geographic and systemic barriers to care.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».