F-026 * VALIDATION OF A NEW APPROACH FOR MORTALITY RISK ASSESMENT IN OESOPHAGECTOMY FOR CANCER BASED ON AGE- AND GENDER-CORRECTED BODY MASS INDEX
Notice bibliographique
Résumé
Objectives: We developed a new algorithm to identify high-risk patients for underweight after oesophagectomy for cancer. Patients are assigned to an age-gender-specific body mass index-percentile (AG-BMI) which is then used in a survival analysis. This model is able to identify more patients at risk for underweight in comparison to the classically used BMI. It shows a worse overall survival (OS) in patients with a preoperative AG-BMI <10th-percentile. The aim of this study is to validate this new model based on a cohort of patients from an external high-volume institution specialized in oesophageal cancer surgery. Methods: The validation cohort consists of 407 patients operated on between 1999 and 2012 with the prerequisite data to calculate AG-BMI and OS. The base cohort consisted of 642 consecutive patients, operated on in our institution between 2005 and 2010. Age, gender, height and weight on the day before surgery were used to calculate BMI and AG-BMI. OS was analysed and a multivariate analysis was performed. Results: Incidence rates of the AG-BMI <10th-percentile risk-patients in the validation cohort showed similar results to our original results (17.2% for both institutions) with a similar significant OS difference between at-risk-patients and not-at-risk-patients (P < 0.001). Multivariate analysis found the same five independent prognosticators for OS in both datasets: age, early versus advanced disease, resection status, number of positive lymph nodes and the AG-BMI-10th percentile, but not BMI itself. In the validation cohort, gender was identified as an additional independent prognosticator. The worse OS survival in AG-BMI <10th-percentile in both patient populations was related to a significantly higher number of deaths without oesophageal cancer recurrence. Conclusions: This study validates the newly developed AG-BMI model to predict more accurately a subgroup of patients at risk for worse survival after oesophagectomy. Improved perioperative identification of risk factors for poorer OS could help to develop perioperative strategies to reduce these risks. Disclosure: No significant relationships.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».