MétaCan
Menu
Retour à la cohorte
Enregistrement W2799307461 · doi:10.1200/jco.2018.36.4_suppl.562

Effect of PET-CT on disease recurrence and its management in patients with potentially resectable colorectal cancer liver metastases: The long-term results of a randomized control trial.

2018· article· en· W2799307461 sur OpenAlexaff
Pablo Emilio Serrano Aybar, Chu‐Shu Gu, Mohamed Husien, Diederick Jalink, Guillaume Martel, Melanie E. Tsang, Julie Hallet, Steven Gallinger, Anne C. Ritter, Vivian C. McAlister, Nathalie Sela, Hannah Solomon, Kaitlyn Beyfuss, Christine Li, Erika Lee, Carol-Anne Moulton, Mark N. Levine

Notice bibliographique

RevueJournal of Clinical Oncology · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensSunnybrook Health Science CentreWestern UniversityUniversity of TorontoMount Sinai HospitalPrincess Margaret Cancer CentreUniversity Health NetworkHealth Sciences CentreOttawa HospitalQueen's UniversityToronto General HospitalMcMaster UniversityGrand River HospitalHotel Dieu HospitalOntario Clinical Oncology Group
Organismes subventionnairesnon disponible
Mots-clésMedicineColorectal cancerHazard ratioRandomized controlled trialStage (stratigraphy)Proportional hazards modelInternal medicineLog-rank testCancerSurgeryConfidence interval

Résumé

récupéré en direct d'OpenAlex

562 Background: The PETCAM randomized trial evaluated the effect of preoperative PET-CT (vs. no PET-CT) on surgical management in patients with colorectal cancer liver metastases. In this study, 8% of patients had a change in surgical management, including a higher proportion of major liver resections in the PET-CT arm. The current study compares the intervention groups for 5-year disease free (DFS) and overall survival (OS), and evaluated their long-term clinical course, i.e. sites of recurrence and management of disease recurrence. Methods: Recruitment to the trial occurred between 2005-2010, with last follow-up in 2013. Data on recurrence, management of recurrence and mortality from 2013-2017 was collected from patient’s charts. Recurrences according to site and management were described. Cox proportional Hazard Models were used to calculate the risk for recurrence and death. OS was calculated with Kaplan-Meir method and compared with log-rank test. Results: At 5 years, 157 of 404 (39%) patients were still alive and 19 patients were lost to follow-up. Median follow-up is 4.2 years. There were no differences in DFS (HR: 1.12, 95%CI: 0.88-1.42) or OS (HR: 0.97, 95%CI: 0.74-1.28) between groups. The median DFS for the 372 patients who had surgery was 17 months, 95%CI: 14.7-19.4. Risks factors for recurrence were: extrahepatic disease, liver tumour size, and nodal stage. The median OS for all patients was 50 months, 95%CI: 43.5-64.3. Risks factors for death also included age and prior use of chemotherapy. During the follow-up period, 287/404, 71% patients recurred (mostly liver and lung); 137 (48%) were treated solely with chemotherapy and 35% were treated with surgery with curative intent. Of these, the majority recurred (109/116, 94%). The median OS following first recurrence was 27.5 months, 95%CI: 23-30. Conclusions: PET-CT did not improve DFS or OS. Survival following liver resection is similar to previous reports, however most patients experience disease recurrence. A substantial proportion of patients who recur undergo surgery, however it is likely that they will recur again.

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)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0020,002
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 Opus0,023
Tête enseignante GPT0,408
Écart entre enseignants0,385 · 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'étudeEssai randomisé
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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

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