MétaCan
Menu
Retour à la cohorte
Enregistrement W2903506287 · doi:10.1200/jco.2018.36.34_suppl.208

FIT: Functional and imaging testing for patients with metastatic cancer.

2018· article· en· W2903506287 sur OpenAlexaff
Eric Roeland, Areej El‐Jawahri, Sandahl H. Nelson, Andrea Gallivan, Ryan David Nipp, Nora Horick, Yael Cohen-Arazi, Chelsea Hagmann, Chris Sera, Sarah Friedman, Joseph Ma, Hardeep Phull, Vickie E. Baracos

Notice bibliographique

RevueJournal of Clinical Oncology · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMedicineCancerCachexiaInternal medicineClinical endpointMalignancyResponse Evaluation Criteria in Solid TumorsAnorexiaPerformance statusClinical trialPhysical therapyOncologyPhases of clinical research

Résumé

récupéré en direct d'OpenAlex

208 Background: Despite multiple cancer cachexia (CC) trials evaluating novel agents, the FDA has not approved a single drug to date. One key challenge in CC trials is selection of endpoints. The aim of this study was to explore changes in body composition and associations with functional and patient-reported outcomes (PROs) to clarify CC trial endpoint selection. Methods: We identified metastatic solid tumor cancer patients receiving cancer-directed therapies at a single cancer center (2016-2018). Patients completed all assessments at study enrollment and 3 months from enrollment. We analyzed body composition utilizing cross-sectional computed tomography (CT) scans at the third lumbar vertebra. Functional assessments included the 6-minute walk test (6MWT), Timed Up-and-Go (TUG) test, and Short Physical Performance Battery (SPPB). PROs included the Functional Assessment of Anorexia/Cachexia Therapy (FAACT) and Functional Assessment of Cancer Therapy Fatigue (FACT-F). We examined changes in body composition and functional assessments from enrollment to 3 months using paired t-tests. We utilized linear regression models to assess the relationship between changes in body composition and changes in functional assessment adjusting for age and sex. Results: A total of 57 patients completed baseline assessments; 19 patients did not complete 3-month assessments (5 died, 1 hospice, 13 withdrew). Of the 38 patients with complete data (mean age 61.8 years, 47% female, 71% GI malignancy), 50% received chemotherapy, 16% immunotherapy, and 34% combination therapy. From enrollment to 3 months, we observed an increase in total adipose tissue (16.9±52.4 cm2, 95% CI -33.79-0.63; p = 0.059), but not weight or skeletal muscle. Greater losses in skeletal muscle were associated with greater declines in 6MWT (B = 0.036, p = 0.014) and SBBP (B = 2.444, p = 0.002), but not the TUG. We observed no association with change in weight with all functional outcomes or PROs. Moreover, we found no association with body composition and PROs from enrollment to 3 months. Conclusions: In future CC trials, changes in longitudinal body composition rather than weight should be utilized. Furthermore, changes in skeletal muscle and the 6MWT and/or SBBP may be preferred endpoints.

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)0,001
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,122
Tête enseignante GPT0,480
Écart entre enseignants0,358 · 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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

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