Back to Bayesian: A strategy to enhance prognostication of metastatic spine disease
Notice bibliographique
Résumé
AIMS: Clinicians must consider prognosis when offering treatment to patients with spine metastases. Although several prognostic indices have been developed and validated for this purpose, they may not be applicable in the current era of targeted systemic therapies. Even before the introduction of targeted therapies, these prognostic indices should not have been directly used for individual patient decision making without contextualising with other sources of data. By contextualising, we mean that prognostic estimates should not be based on these scores alone and formally incorporate clinically relevant factors not part of prognostic indices. Contextualisation requires the use of Bayesian statistics which may be unfamiliar to many readers. In this paper we show readers how to correctly apply prognostic scores to individual patients using Bayesian statistics. Through Bayesian analysis, we explore the impact of new targeted therapies on prognostic estimates obtained using the Tokuhashi score. METHODS: We provide a worked calculation for the probability of a patient surviving up to 6 months using dichotomous prognostication. We then demonstrate how to calculate a patient's expected survival using continuous prognostication. Sensitivity of the posterior distribution to prior assumptions is illustrated through effective sample size adjustment. RESULTS: When the predicted prognosis from the Tokuhashi score is contextualised with data on contemporary systemic treatments, patients previously deemed non-surgical candidates may be eligible for surgery. CONCLUSIONS: Bayesian prognostication generates intuitive results and allows multiple data points to be synthesised transparently. These techniques can extend the usefulness of existing prognostic scores in the era of targeted systemic therapies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».