Temporal Trends and Differences in Inpatient Palliative Care Use in Metastatic Penile Cancer Patients
Notice bibliographique
Résumé
Objectives: To quantify inpatient palliative care use over time and to test whether patient or hospital characteristics represent determinants of inpatient palliative care use in patients with metastatic penile cancer. Methods: Relying on the National Inpatient Sample database (2006–2019), we identified 1017 metastatic penile cancer patients. Estimated annual percentage change analyses and multivariable logistic regression models addressing inpatient palliative care use were fitted. Results: Of 1017 metastatic penile cancer patients, 139 (13.7%) received inpatient palliative care. Over time, the proportion of inpatient palliative care use per year increased from 6.5% in 2006 to 17.8% in 2019 (estimated annual percentage change +6.7%; p = 0.001). In the multivariable logistic regression models, contemporary study years (odds ratio [OR] 1.80; p = 0.003), the presence of bone metastases (OR 1.90; p = 0.002) and the presence of brain metastases (OR 2.60; p = 0.013) independently predicted higher inpatient palliative care use. Conversely, distant lymph node metastases independently predicted lower inpatient palliative care use (OR 0.58; p = 0.022). Finally, hospital admission in the South (OR 2.42; p = 0.007) and in the Northeast (OR 2.34; p = 0.015) was associated with higher inpatient palliative care use than hospital admission in the Midwest. Conclusions: In metastatic penile cancer patients, the proportions of inpatient palliative care use were low but have increased over time. Unfortunately, some geographical regions are more refractory to inpatient palliative care use than others. Finally, specific patient characteristics such as bone metastases and brain metastases represent independent predictors of higher inpatient palliative care use.
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) | 0,000 | 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 | 0,000 | 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 ».