Validation of a classification system for treatment-related mortality in children with cancer
Notice bibliographique
Résumé
BACKGROUND: Death not directly due to cancer has been termed 'treatment-related mortality' (TRM). Appreciating the differences between TRM and disease-related death is critical in directing strategies to improve supportive care, interventions delivered or disease progression. Recently, a global collaboration developed and validated a consensus-based classification tool and attribution system. OBJECTIVES: To evaluate the reliability of the newly developed consensus-based definition of TRM and explore the use of the cause-of-death attribution system outside the centre it was initially validated (Toronto, Canada). In the initial study, reviewers listed multiple causes of death. In this study, reviewers identified a primary cause for simplicity. SETTING: The paediatric haematology and oncology department at Leeds Teaching Hospital in Leeds, UK. PARTICIPANTS: Two consultants and two clinical research associates (CRAs). METHODS: Thirty medical records of the most recent deaths in children with cancer, 2 and 4 weeks prior to death, were anonymised and presented to the participants. Reviewers independently classified deaths as 'treatment related mortality' or 'not treatment related' according to the algorithm developed. When TRM occurred, reviewers applied the cause-of-death attribution system to identify the primary cause of death. Inter-relater reliability was assessed using the kappa statistic (k). MAIN OUTCOME: Inter-relater reliability between CRA and consultants. RESULTS: Reliability of the classification was deemed 'very good' between CRA and consultants (k=0.86, 95% CI 0.72 to 0.97). Ten deaths were classified as TRM, of which infection was the most frequent cause identified. Reviewers disagreed on the primary cause of death (eg, respiratory vs infection) when applying the cause-of-death attribution system in six cases and probable and possible causes in four cases. The study identified how the algorithm may not detect TRM in patients receiving non-curative therapy. CONCLUSIONS: The classification and cause of death attribution system could be implemented in different healthcare settings. Adaptation of the classification tool in patients receiving non-curative interventions and the cause of death attribution system should be considered.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,173 | 0,357 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».