Notice bibliographique
Résumé
Gastric cancer remains a significant health problem worldwide and surgery is currently the only potentially curative treatment option. Gastric cancer surgery is generally considered to be high risk surgery and five-year survival rates are poor, therefore a continuous strive to improve outcomes for these patients is warranted. Fortunately, in the last decades several potential advances have been introduced that intervene at various stages of the treatment process. This review provides an overview of methods implemented in pre-, intra- and postoperative stage of gastric cancer surgery to improve outcome. Better preoperative risk assessment using comorbidity index (e.g., Charlson comorbidity index), assessment of nutritional status (e.g., short nutritional assessment questionnaire, nutritional risk screening - 2002) and frailty assessment (Groningen frailty indicator, Edmonton frail scale, Hopkins frailty) was introduced. Also preoperative optimization of patients using prehabilitation has future potential. Implementation of fast-track or enhanced recovery after surgery programs is showing promising results, although future studies have to determine what the exact optimal strategy is. Introduction of laparoscopic surgery has shown improvement of results as well as optimization of lymph node dissection. Hyperthermic intraperitoneal chemotherapy has not shown to be beneficial in peritoneal metastatic disease thus far. Advances in postoperative care include optimal timing of oral diet, which has been shown to reduce hospital stay. In general, hospital volume, i.e., centralization, and clinical audits might further improve the outcome in gastric cancer surgery. In conclusion, progress has been made in improving the surgical treatment of gastric cancer. However, gastric cancer treatment is high risk surgery and many areas for future research remain.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».