A novel clinical decision aid to support personalized treatment selection for patients with CT1 renal cortical masses: Results from a multi-institutional competing risks analysis including performance status and comorbidity.
Notice bibliographique
Résumé
610 Background: Personalized treatment for clinical T1 renal cortical masses (RCMs) should account for competing risks related to tumor and patient characteristics. Using a contemporary multi-institutional cohort, we developed treatment-specific prediction models for cancer-specific mortality (CSM), other-cause mortality (OCM), and 90-day complication rates for patients managed with surgery, thermal ablation (TA), and active surveillance (AS). Methods: Preoperative clinical and radiological features were collected for eligible patients aged 18-91 years treated at four academic centers from 2000-2016. Prediction models used competing risks regressions for CSM and OCM and logistic regressions for 90-day Clavien >3 complications, adjusting for tumor size as well as patient age, sex, ECOG performance status (PS), and Charlson comorbidity index (CCI). Predictions accounted for missing data using multiple imputation. Results: After excluding 25 patients with no follow-up, the cohort included 4995 patients treated with radical nephrectomy (RN, n=1270), partial nephrectomy (PN, n=2842), thermal ablation (n=479), or active surveillance (n=404). Median follow-up was 5.1 years (IQR 2.5-8.5). Predictions from the fitted model are shown in an online calculator ( https://rgulati.shinyapps.io/rcc-risk-calculator ). To illustrate the use of this calculator for a specific patient, a 70-year-old female with a 5.5 cm RCM, PS of 2, and CCI of 3 has a predicted 5-year CSM of 4-7% across treatments, 5-year OCM of 34-49%, and 90-day risk of Clavien ≥3 complications of 4%, 10%, and 6% for RN, PN, and TA respectively. Conclusions: Personalized treatment selection for cT1 RCM is challenging. We present a competing risk calculator that incorporates pretreatment features to quantify competing causes of mortality and treatment-associated complications. Pending validation, this tool may be used in clinical practice to provide patients with estimated individualized treatment-specific probabilities of competing causes of death and complication risks to facilitate shared decision-making.
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 | 0,006 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».