Computed-Tomography Body Composition Analysis Complements Pre-Operative Nutrition Screening in Colorectal Cancer Patients on an Enhanced Recovery after Surgery Pathway
Notice bibliographique
Résumé
Pre-operative nutrition screening is recommended to identify cancer patients at risk of malnutrition, which is associated with poor outcomes. Low muscle mass (sarcopenia) and lipid infiltration to muscle cells (myosteatosis) are similarly associated with poor outcomes but are not routinely screened for. We investigated the prevalence of sarcopenia and myosteatosis across the nutrition screening triage categories of the Patient-Generated Subjective Global Assessment Short Form (PG-SGASF) in a pre-operative colorectal cancer (CRC) cohort. Data were prospectively collected from patients scheduled for surgery at two sites in Edmonton, Canada. PG-SGASF scores ≥ 4 identified patients at risk for malnutrition; sarcopenia and myosteatosis were identified using computed-tomography (CT) analysis. Patients (n = 176) with a mean age of 63.8 ± 12.0 years, 52.3% male, 90.3% with stage I–III disease were included. Overall, 25.2% had PG-SGASF score ≥ 4. Sarcopenia alone, myosteatosis alone or both were identified in 14.0%, 27.3%, and 6.4% of patients, respectively. Sarcopenia and/or myosteatosis were identified in 43.4% of those with PG-SGASF score < 4 and in 58.5% of those with score ≥ 4. Overall, 32.9% of the cohort had sarcopenia and/or myosteatosis with PG-SGASF score < 4. CT-defined sarcopenia and myosteatosis are prevalent in pre-operative CRC patients, regardless of the presence of traditional nutrition risk factors (weight loss, problems eating); therefore, CT image analysis effectively adds value to nutrition screening by identifying patients with other risk factors for poor outcomes.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».