Impact of the COVID-19 Pandemic on Diagnosis and Multidisciplinary Treatment of NSCLC in Ontario, Canada
Notice bibliographique
Résumé
Introduction: The coronavirus disease 2019 pandemic disrupted cancer care delivery globally, with many jurisdictions reporting reductions in lung cancer diagnoses and delays in treatment. In Ontario, Canada, both institutional and provincial data have reported mixed trends in NSCLC presentation and care. This study aimed to assess the short-term impact of the coronavirus disease 2019 pandemic on NSCLC diagnoses and treatment pathways across Ontario using population-level data from Cancer Care Ontario administrative health databases. Methods: We conducted a retrospective cohort study of patients diagnosed with NSCLC in Ontario between January 1, 2019 and December 31, 2020. The cohort was created using relevant diagnostic codes and linked provincial databases to evaluate diagnostic trends and access to surgical, medical, and radiation oncology services. Statistical analyses included Poisson regression to assess changes in diagnosis rates and multivariable linear regressions to evaluate wait times, adjusting for age, sex, income quintile, and geographic region. Results: A total of 13,407 NSCLC cases were identified. There was a 6% overall decline in diagnoses in 2020, with a 31% drop during quarter 2 (April-June 2020). The mean wait times for surgical consultation and treatment and also medical and radiation oncology consults improved or remained stable. No delays were found in systemic therapy initiation. Multivariable analyses confirmed these findings. Conclusions: NSCLC care delivery in Ontario remained stable during the early pandemic period. Declines in diagnosis warrant further investigation using longer-term data. Real-time data systems are essential for future pandemic preparedness and response.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».