Optimal Management of Gastric Cancer
Notice bibliographique
Résumé
OBJECTIVE: Defining processes of care, which are appropriate and necessary for management of gastric cancer (GC), is an important step toward improving outcomes. METHODS: Using a RAND/UCLA Appropriateness Method, an international multidisciplinary expert panel created 22 statements reflecting optimal management. All statements were scored for appropriateness and necessity. RESULTS: The following tenets were scored appropriate and necessary: (1) preoperative staging by computed tomography of abdomen/pelvis; (2) positron-emission tomographic scans not routinely indicated; (3) consideration for adjuvant therapy; (4) further clinical trials; (5) multidisciplinary decision making; (6) sufficient support at hospitals; (7) assessment of 16 or more lymph nodes (LNs); (8) in metastatic disease, surgery only for palliation of major symptoms; (9) surgeons experienced in GC management; (10) and surgeons experienced in both GC management and advanced laparoscopic surgery for laparoscopic resection. The following were scored appropriate, but of indeterminate necessity: (1) diagnostic laparoscopy before treatment; (2) a multidisciplinary approach to linitis plastica; (3) genetic assessment for diffuse GC and family history, or age less than 45 years; (4) endoscopic removal of select T1aN0 lesions; (5) D2 LN dissection in curative intent cases; (6) D1 LN dissection for early GC or patients with comorbidities; (7) frozen section analysis of margins; (8) nonemergent cases performed in a hospital with a volume of more than 15 resections per year; and (9) by a surgeon with more than 6 resection per year. CONCLUSIONS: The expert panel has created 22 statements for the perioperative management of GC patients, to provide guidance to clinicians and improve the care received by patients.
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 | 0,000 | 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) | 0,001 | 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 ».