Predictors of attrition in the treatment of metastatic colorectal cancer (MCRC).
Notice bibliographique
Résumé
e17734 Background: The treatment landscape for many cancers has evolved significantly with the introduction of novel and more efficacious agents. However, the positive impact of these new therapies on outcomes may be limited by patient attrition if individuals are not exposed to later lines of treatment. Using a population-based cohort of MCRC, our aims were to characterize rates of attrition and determine factors associated with failure to receive each line of treatment. Methods: Medical records of patients who were diagnosed with MCRC from 2008 to 2009 and referred to any 1 of the 5 regional cancer centers in British Columbia were merged with systemic therapy data from the provincial pharmacy database. We classified patients into mutually exclusive treatment categories: a) receipt of all available lines of MCRC treatments; b) attrition directly attributable to disease, such as cancer progression or death; and c) attrition secondary to other clinical factors, including toxicities. Multivariate logistic regression models with all-cause attrition as the main outcome were constructed to identify predictors, while adjusting for potential confounders. Results: We identified 302 eligible MCRC patients with complete records: median age was 65 years, 55% were men, 40% were White, 53% were ECOG 0/1, and 41% and 59% were never and ever smokers, respectively. In the entire cohort, only 60 (19%) patients received all lines of MCRC therapies. While worsening disease and death represented the most common cause (40%), other frequent causes of attrition included severe toxicities from prior or ongoing therapies (22%), patient preference (10%), decline in functional status (12%), and presence of significant comorbidities. In multivariate analyses, never smokers (p = 0.01) and individuals with baseline ECOG 2+ (p = 0.01) were significantly more likely to experience treatment attrition. Conclusions: Treatment attrition is a prevalent problem in MCRC and can hinder the benefit of treatment algorithms that rely on a temporal sequence of effective therapies. Some causes of attrition are potentially modifiable and may reflect opportunities for patients to maximize exposure to all lines of 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 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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».