Development and validation of a risk prediction model for poor performance status and severe symptoms among cancer patients.
Notice bibliographique
Résumé
12097 Background: Existing cancer predictive tools focus on survival, but few incorporate patient-reported outcomes to predict quality-of-life domains, such as symptoms and performance status. The objective was to develop and validate a predictive cancer model (called PROVIEW) for poor performance status and severe symptoms over time. Methods: We used a retrospective, population-based, cohort study of patients, with a cancer diagnosis, in Ontario, Canada between 2008-2015. We randomly selected 60% of patients for model derivation and 40% for validation. Using the derivation cohort, we developed multivariable logistic regression models with baseline characteristics, using a backward stepwise variable selection process. The primary outcome was odds of having poor performance status six months from index date, as measured by a score < = 30 out of 100 on the Palliative Performance Scale. The index date for each model was diagnosis (Year 0), which was then re-calculated at each of 4 annual survivor marks after diagnosis (up to Year 4). Secondary outcomes included having severe pain, dyspnea, well-being, or depression, as measured by a score of > = 7 out of 10 on the Edmonton Symptom Assessment System. Covariates included demographics, clinical information, current symptoms and performance status, and healthcare utilization. Model performance was assessed by AUC statistics and calibration plots. Results: Our population-based cohort identified 125,479 cancer patients for the performance status model in Year 0. The median diagnosis age was 64 years, 57% were female, and the most common cancers were breast (24%), lung (13%), and prostate (9%). 32% had Stage 3 or 4 disease. In Year 0 after backwards selection, the odds of having a poor performance status in 6 months was increased by more than 10% when the patient had: COPD, dementia, diabetes; radiation treatment; a hospital admission in the prior 3 months; high pain or depression; a current performance status < = 30; any issues with appetite; or received end-of-life homecare. Generally, these variables were also associated with a > 10% increased odds in other years and for the secondary outcomes. The average AUC across all 25 models is 0.7676 which indicates high model discrimination. Conclusions: The PROVIEW model accurately predicts risk of having a poor performance status or severe symptoms over time among cancer patients. It has the potential to be a useful online tool for patients to integrate earlier supportive and palliative care.
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 | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».