MétaCan
Menu
← Retour à la cohorte
Enregistrement W3029661519 · doi:10.1200/jco.2020.38.15_suppl.7006

Relationships among skeletal muscle, symptom burden, health care use, and survival in hospitalized patients with advanced cancer.

2020· article· en· W3029661519 sur OpenAlexaboutno aff
Chinenye C. Azoba, Emily E. Van Seventer, J. Peter Marquardt, Amelie S. Troschel, Till D. Best, Nora Horick, Richard Newcomb, Eric Roeland, Michael H. Rosenthal, Cristopher P. Bridge, Joseph A. Greer, Areej El‐Jawahri, Jennifer S. Temel, Florian J. Fintelmann, Ryan David Nipp

Notice bibliographique

RevueJournal of Clinical Oncology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueNutrition and Health in Aging
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineSarcopeniaCancerInternal medicineLung cancerPopulationPhysical therapy

Résumé

récupéré en direct d'OpenAlex

7006 Background: Loss of skeletal muscle mass (quantity) is common in patients with advanced cancer, but little is known about muscle density (quality). Hospitalized patients with advanced cancer are a highly symptomatic population at risk for the adverse effects of muscle loss. Thus, we sought to describe associations between muscle mass and density, symptom burden, health care use, and survival in these patients. Methods: We prospectively enrolled hospitalized patients with advanced cancer from 9/2014-4/2017. Upon admission, patients reported their physical (Edmonton Symptom Assessment System [ESAS]) and psychological (Patient Health Questionnaire 4 [PHQ4]) symptoms. We used computed tomography (CT) scans performed per routine care ≤45 days prior to enrollment to evaluate muscle mass and density at the level of the third lumbar vertebral body. We categorized patients as sarcopenic using validated sex specific cutoffs. We used regression models to examine associations between muscle mass and density and patients’ symptom burden, health care use, and survival. Results: Of 1,121 patients enrolled, 677 had evaluable CT scan data (mean age = 62.86±12.95 years; 51.1% female). The most common cancer types were gastrointestinal (36.8%) and lung (16.7%) cancer. Most met criteria for sarcopenia (64.0%). Older age and female sex were associated with lower muscle mass (age: B = -0.16, p < .01; female: B = -6.89, p < .01) and density (age: B = -0.33, p < 0.01; female: B = -1.66, p = .01), while higher BMI was associated with higher muscle mass (B = 0.58, p < .01) and lower muscle density (B = -0.61, p < .01). Higher muscle mass was significantly associated with improved survival (HR = 0.97, p < .01), but not with symptom burden or health care use. Higher muscle density was significantly associated with lower ESAS physical (B = -0.17, p = .02), ESAS total (B = -0.29, p < .01), PHQ4 depression (B = -0.03, p < .01) and PHQ4 anxiety (B = -0.03, p < .01) symptoms. Higher muscle density was also associated with decreased hospital length of stay (B = -0.07, p < .01), risk of readmission or death in 90 days (OR = 0.97, p < .01), and improved survival (HR = 0.97, p < .01). Conclusions: Most hospitalized patients with advanced cancer have muscle loss consistent with sarcopenia. We found that muscle mass (quantity) correlated with survival, whereas muscle density (quality) was associated with patients’ symptoms, health care use, and survival. These findings underscore the added importance of assessing muscle quality when seeking to address the adverse effects of muscle loss in oncology.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,148
Tête enseignante GPT0,460
Écart entre enseignants0,312 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetNutrition and Health in Aging→Travaux en français237 207→