Development and validation of a prediction model of poor performance status and severe symptoms over time in cancer patients (PROVIEW+)
Notice bibliographique
Résumé
BACKGROUND: Predictive cancer tools focus on survival; none predict severe symptoms. AIM: To develop and validate a model that predicts the risk for having low performance status and severe symptoms in cancer patients. DESIGN: Retrospective, population-based, predictive study. SETTING/PARTICIPANTS: We linked administrative data from cancer patients from 2008 to 2015 in Ontario, Canada. Patients were randomly selected for model derivation (60%) and validation (40%). Using the derivation cohort, we developed a multivariable logistic regression model to predict the risk of an outcome at 6 months following diagnosis and recalculated after each of four annual survivor marks. Model performance was assessed using discrimination and calibration plots. Outcomes included low performance status (i.e. 10-30 on Palliative Performance Scale), severe pain, dyspnea, well-being, and depression (i.e. 7-10 on Edmonton Symptom Assessment System). RESULTS: We identified 255,494 cancer patients (57% female; median age of 64; common cancers were breast (24%); and lung (13%)). At diagnosis, the predicted risk of having low performance status, severe pain, well-being, dyspnea, and depression in 6-months is 1%, 3%, 6%, 13%, and 4%, respectively for the reference case (i.e. male, lung cancer, stage I, no symptoms); the corresponding discrimination for each outcome model had high AUCs of 0.807, 0.713, 0.709, 0.790, and 0.723, respectively. Generally these covariates increased the outcome risk by >10% across all models: lung disease, dementia, diabetes; radiation treatment; hospital admission; pain; depression; transitional performance status; issues with appetite; or homecare. CONCLUSIONS: The model accurately predicted changing cancer risk for low performance status and severe symptoms over time.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».