Changes in female cancer diagnostic billing rates over the COVID-19 period in the Ontario Health Insurance Plan
Notice bibliographique
Résumé
Background: The initial response to coronavirus disease 2019 (COVID-19) in Ontario included suspension of cancer screening programs and deferral of diagnostic procedures and many treatments. Although the short-term impact of these measures on female cancers is well documented, few studies have assessed the mid- to long-term impacts. Objectives: To compare annual billing prevalence and incidence rates of female cancers during the COVID-19 period (2020-2022) to pre-COVID-19 levels (2015-2019). Design: Retrospective analysis of aggregated claims data for female cancer diagnostic codes from the Ontario Health Insurance Plan (OHIP). Methods: Linear regression analysis was used to fit pre-COVID-19 (2015-2019) data for each OHIP billing code and extrapolate counterfactual values for the years of 2020-2022. Excess billing rates were calculated as the difference between projected and actual rates for each year. Results: In 2020, OHIP billing prevalence rates for cervical, breast, uterine, and ovarian cancers decreased relative to projected values for that year by -50.7/100k, -13.9/100k, -3.5/100k, and -3.8/100k, respectively. The reverse was observed in 2021 with rate increases of 47.8/100k, 59.1/100k, 2.5/100k, and 3.7/100k, respectively. In 2022, the excesses were further amplified, especially for cervical and breast cancers (111.2/100k and 78.67/100k, respectively). The net excess patient billing rate for 2020-2022 was largely positive for all female cancer types (108.3/100k, 123.7/100k, 5.2/100k, and 1.8/100k, respectively). Analysis of billing incidence rates showed similar trends. Conclusion: The expected female cancer billing rate decreases in 2020 were followed by large increases in 2021 and 2022, resulting in a cumulative excess during the COVID-19 period. Further research is required to assess the nature of these changes.
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 | 0,003 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».