Examining guidelines and new evidence in oncology nutrition: a position paper on gaps and opportunities in multimodal approaches to improve patient care
Notice bibliographique
Résumé
Malnutrition, muscle loss, and cachexia are prevalent in cancer and remain key challenges in oncology today. These conditions are frequently underrecognized and undertreated and have devastating consequences for patients. Early nutrition screening/assessment and intervention are associated with improved patient outcomes. As a multifaceted disease, cancer requires multimodal care that integrates supportive interventions, specifically nutrition and exercise, to improve nutrient intake, muscle mass, physical functioning, quality of life, and treatment outcomes. An integrated team of healthcare providers that incorporates societies' recommendations into clinical practice can help achieve the best possible outcomes. A multidisciplinary panel of experts in oncology, nutrition, exercise, and medicine participated in a 2-day virtual roundtable in October 2020 to discuss gaps and opportunities in oncology nutrition, alone and in combination with exercise, relative to current evidence and international societies' recommendations. The panel recommended five principles to optimize clinical oncology practice: (1) position oncology nutrition at the center of multidisciplinary care; (2) partner with colleagues and administrators to integrate a nutrition care process into the multidisciplinary cancer care approach; (3) screen all patients for malnutrition risk at diagnosis and regularly throughout treatment; (4) combine exercise and nutrition interventions before (e.g., prehabilitation), during, and after treatment as oncology standard of care to optimize nutrition status and muscle mass; and (5) incorporate a patient-centered approach into multidisciplinary care.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».