Evidence-Based Strategies for the Treatment of Peritoneal Malignancies during Health Care Resource Restriction: The COVID-19 Pandemic
Notice bibliographique
Résumé
Background: The COVID-19 pandemic has put enormous pressure on hospital resources, and has affected all aspects of patient care. As operative volumes decrease, cancer surgeries must be triaged and prioritized with careful thought and attention to ensure maximal benefit for the maximum number of patients. Peritoneal malignancies present a unique challenge, as surgical management can be resource intensive, but patients have limited non-surgical treatment options. This review summarizes current data on outcomes and resource utilization to help inform decision-making and case prioritization in times of constrained health care resources. Methods: A rapid literature review was performed, examining surgical and non-surgical outcomes data for peritoneal malignancies. Narrative data synthesis was cross-referenced with relevant societal guidelines. Peritoneal malignancy surgeons and medical oncologists reviewed recommendations to establish a national perspective on case triage and mitigating treatment strategies. Results and Conclusions: Triage of peritoneal malignancies during this time of restricted health care resource is nuanced and requires multidisciplinary discussion with consideration of individual patient factors. Prioritization should be given to patients where delay may compromise resectability of disease, and where alternative treatment options are lacking. Mitigating strategies such as systemic chemotherapy and/or surgical deferral may be utilized with close surveillance for disease stability or progression, which may affect surgical urgency. Unique hospital capacity, and ability to manage the complex post-operative course for these patients must also be considered to ensure patient and system needs are aligned.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».