MétaCan
Menu
← Retour à la cohorte
Enregistrement W2468572872 · doi:10.1118/1.4957938

WE‐FG‐206‐08: Pulmonary Functional Imaging Biomarkers of NSCLC to Guide and Optimize Functional Lung Avoidance Radiotherapy

2016· article· en· W2468572872 sur OpenAlexaff
Khadija Sheikh, Dante P. I. Capaldi, Douglas A. Hoover, David A. Palma, Brian Yaremko, Grace Párraga

Notice bibliographique

RevueMedical Physics · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueLung Cancer Diagnosis and Treatment
Établissements canadiensWestern UniversityRobarts Clinical Trials
Organismes subventionnairesnon disponible
Mots-clésMedicineRadiation therapyCOPDRandomized controlled trialStage (stratigraphy)LungVentilation (architecture)Lung cancerRadiologyMechanical ventilationQuality of life (healthcare)Internal medicine

Résumé

récupéré en direct d'OpenAlex

Purpose: Functional lung avoidance radiotherapy promises optimized therapy planning by minimizing dose to well‐functioning lung and maximizing dose to the rest of the lung. Patients with NSCLC commonly present with co‐morbid COPD and heterogeneously distributed ventilation abnormalities stemming from emphysema, airways disease, and tumour burden. We hypothesized that pulmonary functional imaging methods may be used to optimize radiotherapy plans to avoid regions of well‐functioning lung and significantly improve outcomes like quality‐of‐life and survival. To ascertain the utility of functional lung avoidance therapy in clinical practice, we measured COPD phenotypes in NSCLC patients enrolled in a randomized‐controlled‐clinical‐trial prior to curative intent therapy. Methods: Thirty stage IIIA/IIIB NSCLC patients provided written informed consent to a randomized‐controlled‐clinical‐trial ( https://clinicaltrials.gov/ct2/show/NCT02002052 ) comparing outcomes in patients randomized to standard or image‐guided radiotherapy. Hyperpolarized noble gas MRI ventilation‐defect‐percent (VDP) (Kirby et al, Acad Radiol, 2012) as well as CT‐emphysema measurements were determined. Patients were stratified based on quantitative imaging evidence of ventilation‐defects and emphysema into two subgroups: 1) tumour‐specific ventilation defects only (TSD), and, 2) tumour‐specific and other ventilation defects with and without emphysema (TSDVE). Receiver‐operating‐characteristic (ROC) curves were used to characterize the performance of clinical measures as predictors of the presence of non‐tumour specific ventilation defects. Results: Twenty‐one out of thirty subjects (70%) had non‐tumour specific ventilation defects (TSDVE) and nine subjects had ONLY tumour‐specific defects (TSD). Subjects in the TSDVE group had significantly greater smoking‐history (p=.006) and airflow obstruction (FEV1/FVC) (p=.001). ROC analysis demonstrated an 87% classification rate for smoking pack‐years, 90% for FEV1/FVC, and 56% for tumour RECIST measurements for identifying patients with non‐tumour and tumour‐specific ventilation abnormalities. Conclusion: 70% of NSCLC patients had ventilation abnormalities stemming from emphysema, airways disease and tumour burden. Smoking‐history and airflow obstruction, but not RECIST, identified NSCLC patients with ventilation abnormalities appropriate for functional lung avoidance therapy.

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,012
Tête enseignante GPT0,273
Écart entre enseignants0,261 · 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'étudeSimulation ou modélisation
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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Physics→Même sujetLung Cancer Diagnosis and Treatment→Travaux en français237 207→