Disparities in clinical trial participation among older adult Medicare beneficiaries with hematologic malignancies from 2006 to 2019: A SEER–Medicare analysis
Notice bibliographique
Résumé
BACKGROUND: Clinical trials (CTs) are essential for expanding treatment options across hematologic malignancies (HM) and providing access to novel treatments. However, older adults with HM are often underrepresented in CTs, and a national-level evaluation of factors influencing their participation is lacking. METHODS: The authors conducted a retrospective cohort study using the Surveillance, Epidemiology, and End Results (SEER)-Medicare database, identifying patients ≥66 years old diagnosed with HM between 2006 and 2018 (follow-up to December 2019). CT participation was defined by Medicare claims for CT services. Cumulative incidence and Fine-Gray models were used to estimate participation rates and adjusted hazard ratios (aHRs) assessed the association between participation and sociodemographic factors. RESULTS: The cohort (n = 53,919) was 50% female, median age 78 years old, and 86% White. Cumulative incidence of CT participation was low at 2.7% at 1 year after diagnosis, increasing to 4.3% at 5 years. After adjustment for the competing risk of death, significantly lower CT participation was observed for older age (vs. 66-69 years: aHR for 70-74 years, 0.79 [95% CI, 0.71-0.88]; aHR for 75-79 years, 0.63 [95% CI, 0.56-0.70]; aHR for 80-84 years, 0.41 [95% CI, 0.36-0.46]; aHR for ≥85 years, 0.21 [95% CI, 0.18-0.24]), female sex (aHR, 0.79 [95% CI, 0.73-0.86]), Black race (aHR, 0.73 [95% CI, 0.59-0.90]), certain comorbidities (aHR for pulmonary disease, 0.76 [95% CI, 0.68-0.85]; aHR for renal disease, 0.67 [95% CI, 0.59-0.76]), dual Medicare-Medicaid eligibility (aHR, 0.66 [95% CI, 0.56-0.77]), and distance to National Cancer Institute centers from the patient's ZIP code (aHR for ≥250 miles, 0.64 [95% CI, 0.48-0.86]). CONCLUSIONS: These results highlight the need for targeted interventions, such as CT navigator programs and decentralized trials, to increase older adult participation in HM CTs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».