MétaCan
Menu
← Retour à la cohorte
Enregistrement W2340243242 · doi:10.1200/jco.2015.33.15_suppl.e17679

A comparison of comorbidity measures for predicting one-year mortality in cancer patients.

2015· article· en· W2340243242 sur OpenAlexaffabout
Marshall Pitz, Rashid Ahmed, Mark Smith, Heather J. Prior, Say P. Hong, Ankona Banerjee, Ina Koseva, Christina Kulbaba, Lisa M. Lix

Notice bibliographique

RevueJournal of Clinical Oncology · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Disease Management Strategies
Établissements canadiensUniversity of ManitobaCancerCare Manitoba
Organismes subventionnairesnon disponible
Mots-clésMedicineComorbidityBreast cancerLung cancerColorectal cancerInternal medicineCancerCancer registryMedical prescriptionCohortLogistic regressionPopulationEnvironmental health

Résumé

récupéré en direct d'OpenAlex

e17679 Background: Comorbidity is an independent predictor of cancer patient outcome. The Charlson and Elixhauser indices are the most common measures of comorbidity among cancer patients, but their relative predictive performance is unclear. We tested the association between these indices of comorbidity and survival among patients with breast, colorectal cancer, and lung cancer. Methods: Population-based administrative data from Manitoba Health, Health Living and Seniors (hospital discharge abstracts, physician billing claims, and prescription drug databases) housed at the Manitoba Centre for Health Policy were linked to the Manitoba Cancer. The study cohort included adults with breast, colorectal, or lung cancer made between 2004 and 2011. Comorbidity was measured by: Charlson index, Elixhauser index, Chronic Disease Score, number of different diagnoses, number of different prescription drugs, and Johns-Hopkins Aggregated Diagnostic Groups (ADGs). Logistic regression models with and without comorbidity measures were used to assess comorbidity measure discrimination (c-statistic), prediction error, and reclassification performance for one-year mortality. All models were adjusted for age, sex, region of residence, income quintiles, treatment, and cancer stage. Results: A total of 4984 breast, 4597 colorectal, and 4870 lung cancer patients were included. The base model without comorbidity covariates had excellent discrimination (c–statistics: 0.940 [breast], 0.890 [colorectal], and 0.868 [lung]). The addition of the Elixhauser index to the base model improved discrimination for breast (c-statistic = 0.947, Δc: +0.01%), and colorectal (c-statistic = 0.897, Δc: +0.01%) in one-year mortality, but all other measures of comorbidities did not add further discrimination. Elixhauser performed better than the other measures on all model statistics. Conclusions: Comorbidity is an important predictor of overall mortality but the incremental effect is small after accounting for patient and disease covariates. Only the Elixhauser index increased the discriminant performance and the effect was small.

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)0,011
score de la tête « metaresearch » (Gemma)0,029
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 enseignants0,011
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,029
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0040,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,557
Tête enseignante GPT0,592
Écart entre enseignants0,036 · 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
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetChronic Disease Management Strategies→Travaux en français237 207→