Development of a Model for Predicting Early Discontinuation of Adjuvant Chemotherapy in Stage III Colon Cancer
Notice bibliographique
Résumé
PURPOSE To develop a tool that can be used to predict early discontinuation of adjuvant chemotherapy among patients with stage III colon cancer. PATIENTS AND METHODS Through record linkage of Alberta administrative and tumor registry databases, we identified a cohort of individuals age ≥ 18 years who were diagnosed with stage III colon cancer and who received adjuvant chemotherapy in Alberta between 2004 and 2015. Early discontinuation was defined as receipt of < 5 months of a planned 6-month course of chemotherapy. By a systematic review of the literature and a survey of medical oncologists, the following candidate variables were identified: age (years), number of comorbidities (0, 1, ≥ 2), cancer stage (IIIC v IIIA-B), type of chemotherapy (fluorouracil, leucovorin, and oxaliplatin; capecitabine and oxaliplatin; or monotherapy), time from surgery to chemotherapy initiation (weeks), type of treatment facility (academic or community), and distance from home to treatment center (kilometers). Models developed using penalized logistic regression and the random forest algorithm were compared. Model performance was assessed using the C-statistic, Brier score, and a calibration plot. Internal validation was performed using the bootstrap method. RESULTS From an initial 3,115 patients identified, 1,378 were deemed eligible for inclusion. Of these patients, 474 patients (34.4%) failed to complete at least 5 months of chemotherapy. Although well calibrated, the penalized logistic regression model had poor discrimination (optimism-adjusted C-statistic, 0.63; 95% CI, 0.60 to 0.67). In contrast, the random forest model achieved adequate discrimination (optimism-adjusted C-statistic, 0.80; 95% CI, 0.79 to 0.82). Although the degree of calibration of the random forest was acceptable, it was slightly worse than that of the penalized logistic regression model. CONCLUSION Internal validation of our random forest model suggests that it may have clinical utility. Additional research regarding its external validation and clinical impact is needed.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».