MétaCan
Menu
Retour à la cohorte
Enregistrement W4210725270 · doi:10.6004/jnccn.2021.7118

Preoperative and Postoperative Approaches to Gastroesophageal Cancer: What is All the Fuss About

2022· review· en· W4210725270 sur OpenAlexaff
X. Lucy, Elan David Panov, Michael J. Allen, Gail Darling, Jonathan Yeung, Carol J. Swallow, Savtaj S. Brar, Rebecca Wong, Patrick Veit‐Haibach, Sangeetha Kalimuthu, Eric X. Chen, Raymond Woo-Jun Jang, Elena Elimova

Notice bibliographique

RevueJournal of the National Comprehensive Cancer Network · 2022
Typereview
Langueen
DomaineMedicine
ThématiqueEsophageal Cancer Research and Treatment
Établissements canadiensUniversity Health NetworkToronto General HospitalPrincess Margaret Cancer Centre
Organismes subventionnairesnon disponible
Mots-clésMedicinePerioperativeDiseaseCancerRadiation therapyIntensive care medicineChemotherapyBiomarkerGeneral surgerySurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Gastroesophageal cancers carry poor prognoses, and are a leading cause of cancer-related morbidity and mortality worldwide. Even in those with resectable disease, more than half of patients treated with surgery alone experience disease recurrence. Multimodality approaches using preoperative and postoperative chemotherapy and/or radiotherapy have been established, resulting in incremental improvements in outcomes. Globally, there is no standardized approach, and treatment varies with geographic location. The question remains of how to select the optimal perioperative treatment that will maximize benefit for patients while avoiding toxicities from unnecessary therapies. This article reviews currently available evidence supporting preoperative and postoperative therapy in gastroesophageal cancers, with an emphasis on recent practice-changing trials and ongoing areas of investigation, including the role of immune checkpoint inhibition and biomarker-guided treatment.

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)0,001
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,251
Tête enseignante GPT0,410
Écart entre enseignants0,159 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the National Comprehensive Cancer NetworkMême sujetEsophageal Cancer Research and TreatmentTravaux en français237 207