Measuring equity in cancer care quality: Critical review of national frameworks and lessons learnt
Notice bibliographique
Résumé
Abstract Issue/problem Cancer inequalities persist across Europe, with inequitable access and delivery of care playing a key role. Quality indicators (QIs) are essential to assess inequalities experienced by migrants, ethnic minorities and socioeconomically disadvantaged groups, and to evaluate the impacts of policy. While national QI frameworks for cancer exist in many countries, their adequacy from a health equity perspective is unclear. Description of the problem We conducted a critical review to describe how cancer care quality is defined and measured, and assess how well current methods address migrant, ethnic and socioeconomic inequalities. We searched Pubmed and grey literature for national QI frameworks in G7 countries. We focused on those using the Donabedian model to assess performance in breast and colorectal cancer, as two common cancers for which highly effective treatments are available. We explored gaps in current practice and measures addressing these. Results Fourteen frameworks were found from five countries: the US (n = 5), UK (n = 5), Canada (n = 2), France (n = 1), and Germany (n = 1), in addition to one international framework. No eligible frameworks were found from Japan or Italy. We extracted 437 QIs spanning structural, process and outcome domains. Most were process measures derived from clinical guidelines. 39 thematic domains were identified. Equity-specific indicators were rare or absent. Methods addressing gaps included performance metrics specific to systemic therapy such as dose intensity and treatment toxicity; patient reported outcomes and experience surveys; and composite QIs such as opportunity scoring, textbook outcomes, and measures of pathway concordance. These consistently revealed inequity in treatment quality. Lessons To improve treatment equity, standardised equity-focused indicators should be embedded in national QI frameworks, with administrative data offering a promising approach for national and comparative assessment across Europe. Key messages • Inequalities in cancer care quality are well documented; addressing them will help reduce inequalities in cancer mortality and patient experience. • Equity-focused indicators should be developed to enable European countries to improve cancer outcomes for all.
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 | 0,175 | 0,393 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,031 | 0,024 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,010 | 0,014 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».