MétaCan
Menu
Retour à la cohorte
Enregistrement W2280343247 · doi:10.1200/jco.2013.31.31_suppl.104

The use of PET scans in the management of non-small cell lung cancer patients relative to evidence-based indications across Canada.

2013· article· en· W2280343247 sur OpenAlexaffabout
Heather E. Bryant, Rami Rahal

Notice bibliographique

RevueJournal of Clinical Oncology · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensCanadian Partnership Against Cancer
Organismes subventionnairesnon disponible
Mots-clésMedicineLung cancerCancerStage (stratigraphy)Radiation treatment planningRadiation therapyPalliative careRadiologyOncologyInternal medicineNursing

Résumé

récupéré en direct d'OpenAlex

104 Background: PET scans are playing an increasingly important role in the management of cancer patients, particularly those diagnosed with non-small cell lung cancer (NSCLC). At the same time, the high capital and operating costs of the technology in the publicly funded Canadian health care system presents a strong case for monitoring use of PET scans relative to evidence based indications. This study by the Canadian Partnership Against Cancer reports on the use of PET scans in the management on NSCLC across Canada. Methods: PET scan utilization data from all hospitals providing the service in six Canadian provinces was linked to provincial cancer registry data, which allowed for the identification of demographic, diagnostic/prognostic, and treatment information on each NSCLC patient receiving a PET scan. The indication for each scan was then inferred from the timing of the scan relative to the dates of diagnosis, neoadjuvant therapy, surgery, curative chemo-radiation, or palliative treatment, as relevant for each patient’s care pathway. This way, the scan indications were identified as one of the following: staging, treatment planning, assessing treatment response during active treatment, and assessing metastases following end of curative treatment or palliative treatment. Results: The study results were not yet available at the time of submission of this abstract. Preliminary results and analyses will be available by the November 1, 2013, conference date. The results will include the following indicators for the 2009-2011 timeframe: percentage of NSCLC cases receiving a PET scan by stage; percentage NSCLC PET scans that are performed for each of the identified indications (diagnosis/staging, treatment planning, treatment response, follow up) by stage at diagnosis; variations by province, age group, and sex. Conclusions: This work will identify patterns in the use of PET scans for NSCLC patients across Canada and assess the extent to which this use is consistent with currently supported evidence based indications. The results will help inform more evidence-based use of the diagnostic technology across Canada and will form a baseline for future monitoring as the evidence evolves.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,247

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,006
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,086
Tête enseignante GPT0,450
Écart entre enseignants0,363 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207