MétaCan
Menu
Retour à la cohorte
Enregistrement W3194929515 · doi:10.1002/jcsm.12756

Diagnostic criteria for cancer cachexia: reduced food intake and inflammation predict weight loss and survival in an international, multi‐cohort analysis

2021· article· en· W3194929515 sur OpenAlexafffundabout
Lisa Martin, Maurizio Muscaritoli, I. Bourdel‐Marchasson, Catherine Kubrak, Barry Laird, Bruno Gagnon, Martin Chasen, Ioannis Gioulbasanis, Ola Wallengren, Anne Coble Voss, François Goldwasser, R. Thomas Jagoe, Chris Deans, Federico Bozzetti, Florian Strasser, Lene Thoresen, Sean Kazemi, Vickie E. Baracos, Pierre Sénesse

Notice bibliographique

RevueJournal of Cachexia Sarcopenia and Muscle · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueNutrition and Health in Aging
Établissements canadiensJewish General HospitalUniversity of TorontoUniversité LavalUniversity of Alberta
Organismes subventionnairesCanadian Institutes of Health ResearchAlberta InnovatesKillam Trusts
Mots-clésMedicineInternal medicineWeight lossConfidence intervalCachexiaProportional hazards modelCancerCohortBiomarkerClinical endpointHazard ratioGastroenterologyObesityClinical trial

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Cancer-associated weight loss (WL) associates with increased mortality. International consensus suggests that WL is driven by a variable combination of reduced food intake and/or altered metabolism, the latter often represented by the inflammatory biomarker C-reactive protein (CRP). We aggregated data from Canadian and European research studies to evaluate the associations of reduced food intake and CRP with cancer-associated WL (primary endpoint) and overall survival (OS, secondary endpoint). METHODS: The data set included a total of 12,253 patients at risk for cancer-associated WL. Patient-reported WL history (% in 6 months) and food intake (normal, moderately, or severely reduced) were measured in all patients; CRP (mg/L) and OS were measured in N = 4960 and N = 9952 patients, respectively. All measures were from a baseline assessment. Clinical variables potentially associated with WL and overall survival (OS) including age, sex, cancer diagnosis, disease stage, and performance status were evaluated using multinomial logistic regression MLR and Cox proportional hazards models, respectively. RESULTS: Patients had a mean weight change of -7.3% (±7.1), which was categorized as: ±2.4% (stable weight; 30.4%), 2.5-5.9% (19.7%), 6.0-10.0% (23.2%), 11.0-14.9% (12.0%), ≥15.0% (14.6%). Normal food intake, moderately, and severely reduced food intake occurred in 37.9%, 42.8%, and 19.4%, respectively. In MLR, severe WL (≥15%) (vs. stable weight) was more likely (P < 0.0001) if food intake was moderately [OR 6.28, 95% confidence interval (CI 5.28-7.47)] or severely reduced [OR 18.98 (95% CI 15.30-23.56)]. In subset analysis, adjusted for food intake, CRP was independently associated (P < 0.0001) with ≥15% WL [CRP 10-100 mg/L: OR 2.00, (95% CI 1.58-2.53)] and [CRP > 100 mg/L: OR 2.30 (95% CI 1.62-3.26)]. Diagnosis, stage, and performance status, but not age or sex, were significantly associated with WL. Median OS was 9.9 months (95% CI 9.5-10.3), with median follow-up of 39.7 months (95% CI 38.8-40.6). Moderately and severely reduced food intake and CRP independently predicted OS (P < 0.0001). CONCLUSIONS: Modelling WL as the dependent variable is an approach that can help to identify clinical features and biomarkers associated with WL. Here, we identify criterion values for food intake impairment and CRP that may improve the diagnosis and classification of cancer-associated cachexia.

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)0,003
score de la tête « metaresearch » (Gemma)0,003
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,373
Écart entre enseignants0,326 · 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

Citations97
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Cachexia Sarcopenia and MuscleMême sujetNutrition and Health in AgingTravaux en français237 207