MétaCan
Menu
Retour à la cohorte
Enregistrement W3032299426 · doi:10.1016/j.adro.2020.05.011

In regard to “Radiation for glioblastoma in the era of COVID-19: Patient selection and hypofractionation to maximize benefit and minimize risk”

2020· article· en· W3032299426 sur OpenAlexaff
Shrinivas Rathod, Saranya Kakamanu, Rashmi Koul

Notice bibliographique

RevueAdvances in Radiation Oncology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensCancerCare ManitobaUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésMedicineCoronavirus disease 2019 (COVID-19)GlioblastomaRadiation oncologyRadiation therapy2019-20 coronavirus outbreakSelection (genetic algorithm)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Medical physicsDiseaseOncologyInternal medicinePathologyInfectious disease (medical specialty)Cancer researchOutbreak

Résumé

récupéré en direct d'OpenAlex

We read the article “Radiation for glioblastoma in the era of COVID-19: Patient selection and hypofractionation to maximize benefit and minimize risk” with great interest.1 We congratulate the authors for drafting guidance for selecting patients with glioblastoma who would benefit from hypofractionated radiation therapy (RT) in the era of coronavirus disease 2019 (COVID-19). The authors suggest that elderly patients (aged ≥65 years) with glioblastoma should strongly be considered for hypofractionated RT regimens of 40 Gy in 15 fractions.

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)0,011
score de la tête « metaresearch » (Gemma)0,084
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,084
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,003
Communication savante0,0050,005
Science ouverte0,0030,003
Intégrité de la recherche0,0200,019
Charge utile insuffisante (le modèle a refusé de juger)0,0110,006

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 Opus0,010
Tête enseignante GPT0,341
Écart entre enseignants0,331 · 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'étudeSans objet
Domainenon disponible
GenreCommentaire

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 revueAdvances in Radiation OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207