Optimizing the management of patients with small renal masses in a Canadian context: A Markov decision-analysis model
Notice bibliographique
Résumé
INTRODUCTION: The management of patients with a small renal mass (SRM) varies significantly. The objective of this study was to determine which initial management strategy resulted in the greatest quality-adjusted life months (QALM) for an index patient with a SRM. METHODS: A Markov decision analysis was used to determine the effect of 1) treating patients with a partial nephrectomy (PN); 2) active surveillance (AS); and 3) renal mass biopsy on QALM over a 10-year horizon. All relevant health states were modelled. Biopsy sensitivity and specificity were modelled assuming an 80% prevalence of cancer using procedural pathology as the gold standard. Health state utilities were obtained from the Tufts Medical Centre Cost-Effective Analysis Registry. Deterministic sensitivity analyses were used to test key assumptions. RESULTS: Over a 10-year time horizon for a 70-year-old male with a 2 cm SRM, the biopsy strategy resulted in 38.07 QALM, whereas treating all patients with PN resulted in 37.69 QALM and AS in 36.25 QALM. The model was most sensitive to the probability that a patient would remain alive at baseline. Biopsy was the preferred strategy when sensitivity was greater than 77%. As the underlying probability of cancer increased, the threshold of renal mass biopsy sensitivity to still favor biopsy increased. CONCLUSIONS: Renal mass biopsy is the preferred initial management strategy for an index patient with a SRM to optimize QALM. When the probability of cancer is high, centers should aim for a sensitivity of at least 77% in order to consider a biopsy as the first strategy.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».