Detection of sarcopenic obesity and prediction of long‐term survival in patients with gastric cancer using preoperative computed tomography and machine learning
Notice bibliographique
Résumé
BACKGROUND: Previous studies evaluating the prognostic value of computed tomography (CT)-derived body composition data have included few patients. Thus, we assessed the prevalence and prognostic value of sarcopenic obesity in a large population of gastric cancer patients using preoperative CT, as nutritional status is a predictor of long-term survival after gastric cancer surgery. METHODS: Preoperative CT images were analyzed for 840 gastric cancer patients who underwent gastrectomy between March 2009 and June 2018. Machine learning algorithms were used to automatically detect the third lumbar (L3) vertebral level and segment the body composition. Visceral fat area and skeletal muscle index at L3 were determined and used to classify patients into obesity, sarcopenia, or sarcopenic obesity groups. RESULTS: Out of 840 patients (mean age = 60.4 years; 526 [62.6%] men), 534 (63.5%) had visceral obesity, 119 (14.2%) had sarcopenia, and 48 (5.7%) patients had sarcopenic obesity. Patients with sarcopenic obesity had a poorer prognosis than those without sarcopenia (hazard ratio [HR] = 3.325; 95% confidence interval [CI] = 1.698-6.508). Multivariate analysis identified sarcopenic obesity as an independent risk factor for increased mortality (HR = 2.608; 95% CI = 1.313-5.179). Other risk factors were greater extent of gastrectomy (HR = 1.928; 95% CI = 1.260-2.950), lower prognostic nutritional index (HR = 0.934; 95% CI = 0.901-0.969), higher neutrophil count (HR = 1.101; 95% CI = 1.031-1.176), lymph node metastasis (HR = 6.291; 95% CI = 3.498-11.314), and R1/2 resection (HR = 4.817; 95% CI = 1.518-9.179). CONCLUSION: Body composition analysis automated by machine learning predicted long-term survival in patients with gastric cancer.
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 ».