A prospective study examining cachexia predictors in patients with incurable cancer
Notice bibliographique
Résumé
BACKGROUND: Early intervention against cachexia necessitates a predictive model. The aims of this study were to identify predictors of cachexia development and to create and evaluate accuracy of a predictive model based on these predictors. METHODS: . Clinical and demographic markers were evaluated as possible predictors with Cox analysis. A classification and regression tree analysis was used to create a model based on optimal combinations and cut-offs of significant predictors for cachexia development, and accuracy was evaluated with a calibration plot, Harrell's c-statistic and receiver operating characteristic curve analysis. RESULTS: Six-hundred-twenty-eight patients were included in the analysis. Median age was 65 years (IQR 17), 359(57%) were female and median Karnofsky performance status was 70(IQR 10). Median follow-up was 109 days (IQR 108), and 159 (25%) patients developed cachexia. Initial WL, cancer type, appetite and chronic obstructive pulmonary disease were significant predictors (p ≤ 0.04). A five-level model was created with each level carrying an increasing risk of cachexia development. For Risk-level 1-patients (WL < 3%, breast or hematologic cancer and no or little appetite loss), median time to cachexia development was not reached, while Risk-level 5-patients (WL 3-5%) had a median time to cachexia development of 51 days. Accuracy of cachexia predictions at 3 months was 76%. CONCLUSION: Important predictors of cachexia have been identified and used to construct a predictive model of cancer cachexia. TRIAL REGISTRATION: ClinicalTrials.gov Identifier: NCT01362816 .
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».