MétaCan
Menu
Retour à la cohorte
Enregistrement W3097882938 · doi:10.3747/co.27.6907

Musculoskeletal Oncology: Patient Triage and Management during the COVID-19 Pandemic

2020· article· en· W3097882938 sur OpenAlexaffvenue
Noam Olshinka, Sophie Mottard

Notice bibliographique

RevueCurrent Oncology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensHôpital Maisonneuve-Rosemont
Organismes subventionnairesIsrael Cancer Research Fund
Mots-clésMedicineTriageReferralMalignancyPandemicCancerPopulationTelemedicineIntensive care medicineMedical emergencyEmergency medicineCoronavirus disease 2019 (COVID-19)Health careInternal medicineDiseaseFamily medicine

Résumé

récupéré en direct d'OpenAlex

Sarcoma treatment during the covid-19 pandemic is a new challenge. This patient population is often immunocompromised and potentially more susceptible to viral complications. Government guidelines highlight the need to minimize patient exposure to unnecessary hospital visits. However, those guidelines lack practical recommendations on ways to manage triage and diagnosis expressly for new cancer patients. Furthermore, there are no reports on the efficiency of the guidelines. One of the main issues in treating musculoskeletal tumours is the complexity and variability of presentation. We offer a triage model, used in a quaternary-referral musculoskeletal oncology centre, that allows us to maintain an open pathway for referral of new patients while minimizing exposure risks. A multidisciplinary approach and analysis of existing investigations allow for a pre-clinic evaluation. The model identifies 3 groups of patients: ■ Patients with suspected high-grade malignancy, or benign cases with aggressive features, both in need of further evaluation in the clinic and prompt treatment■ Patients with low-grade malignancy, and benign cases whose treatment is not urgent, that are managed during the pandemic by telemedicine, with reassurance and information about their illness■ Patients who can be managed by their local medical professionals In comparison to a pre-pandemic period, that approach resulted in a higher ratio of malignant-to-benign conditions for new patients seen in the clinic (3:4 vs. 1:3 respectively), thus using available resources more efficiently and prioritizing patients with suspected high-grade malignancy. We believe that this triage system could be applied in other surgical oncology fields during a pandemic.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,000
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,271
Tête enseignante GPT0,504
Écart entre enseignants0,233 · 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

Citations7
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCurrent OncologyMême sujetCOVID-19 and healthcare impactsTravaux en français237 207