Validation of an algorithmic nutritional approach in children undergoing chemotherapy for cancer
Notice bibliographique
Résumé
BACKGROUND: Undernutrition impacts clinical outcome adversely in children with cancer. This study aimed to validate a nutritional algorithm with specific application to the low- and middle-income country (LMIC) setting. PROCEDURE: Fifty children with a new diagnosis of cancer were enrolled in this randomized interventional study. Weight, height/length, and mid-upper-arm circumference (MUAC) were measured at baseline. The study arm was administered nutritional care as per the algorithm and the control arm received the institutional standard of care. Weight was monitored regularly and MUAC was repeated after 3 months. Children were classified based on weight for height if <2 years of age or body mass index if ≥2 years, as normal, wasted, and severely wasted. The algorithmic approach comprised administration of oral supplements, nasogastric feeds, and/or parenteral nutrition based on objective assessment of the nutritional status. RESULTS: Fifty patients were analyzed (study: 25, control: 25). Four in the study arm (16%) and six in the control arm (24%) had wasting at baseline. MUAC was <5th percentile in 15 (60%) and 13 (52%) patients in the study and control arms, respectively. At the end of 3 months, the median increment in weight was 0.8 kg (interquartile range [IQR]: -0.02; 2.00) and 0.0 kg (IQR: -0.70; 1.25) in the study and control arms, respectively (P = .153). The median increment in MUAC was 1.20 cm (IQR: 0.10; 2.30) and 0.00 cm (IQR: -0.50; 1.10) in the study and control arms, respectively (P = .020). CONCLUSIONS: The application of an algorithm designed for use in LMICs resulted in significant improvement in nutritional status, as measured by MUAC.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».