Is there an optimal comorbidity index for prostate cancer?
Notice bibliographique
Résumé
BACKGROUND: Comorbidity is an important consideration in oncology practice, particularly among older patients. Although a variety of comorbidity indices have been employed in research studies, it is unclear whether any one index is preferred. METHODS: An age-stratified random sample of 345 men (mean age of 69 years) who were newly diagnosed with prostate cancer were identified from a cancer registry in Ontario, Canada. Comorbidity and treatment information were obtained from chart review. Four comorbidity indices were utilized: Charlson Index, Diagnosis Count, Index of Coexistent Disease (ICED), and number of medications. Logistic regression analysis was used to compare the performance of comorbidity measures with respect to predicting receipt of curative treatment (radical prostatectomy or radiotherapy) and overall 6-year survival. Multivariable model performance including each of the comorbidity measures was compared by calculating the area under the receiver operating characteristic curve (AUROC). RESULTS: Among men with localized disease (n = 231), in models adjusted for age, Gleason score, and prostate-specific antigen level, only the Charlson Index was found to be a statistically significant predictor of receipt of curative treatment (P < .05), although all comorbidity indices had similar AUROC in adjusted models. After a median follow-up of 6.5 years, 116 of 345 men (33.6%) had died. In adjusted models, all 4 comorbidity indices performed similarly in predicting overall survival. CONCLUSIONS: Although comorbidity is an important predictor of both curative treatment and overall survival in prostate cancer, the optimal comorbidity index for use in research remains unclear. Selecting the optimal comorbidity index may depend on both the specific patient population and the outcome being considered.
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 ».