MétaCan
Menu
Retour à la cohorte
Enregistrement W4220895081 · doi:10.1371/journal.pcbi.1009505

Chemotherapy-induced cachexia and model-informed dosing to preserve lean mass in cancer treatment

2022· article· en· W4220895081 sur OpenAlexafffund
Suzan Farhang‐Sardroodi, Michael A. La Croix, Kathleen P. Wilkie

Notice bibliographique

RevuePLoS Computational Biology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueNutrition and Health in Aging
Établissements canadiensToronto Metropolitan UniversityYork University
Organismes subventionnairesDivision of Mathematical SciencesUniversity of TorontoNatural Sciences and Engineering Research Council of CanadaFields Institute for Research in Mathematical Sciences
Mots-clésCachexiaWastingLean body massDosingChemotherapyMedicineCancerQuality of life (healthcare)Muscle massCancer treatmentOncologyInternal medicineBody weight

Résumé

récupéré en direct d'OpenAlex

Although chemotherapy is a standard treatment for cancer, it comes with significant side effects. In particular, certain agents can induce severe muscle loss, known as cachexia, worsening patient quality of life and treatment outcomes. 5-fluorouracil, an anti-cancer agent used to treat several cancers, has been shown to cause muscle loss. Experimental data indicates a non-linear dose-dependence for muscle loss in mice treated with daily or week-day schedules. We present a mathematical model of chemotherapy-induced muscle wasting that captures this non-linear dose-dependence. Area-under-the-curve metrics are proposed to quantify the treatment's effects on lean mass and tumour control. Model simulations are used to explore alternate dosing schedules, aging effects, and morphine use in chemotherapy treatment with the aim of better protecting lean mass while actively targeting the tumour, ultimately leading to improved personalization of treatment planning and improved patient quality of life.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,603
Score d'incertitude au seuil0,305

Scores Codex et Gemma par catégorie

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

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 Opus0,119
Tête enseignante GPT0,398
Écart entre enseignants0,278 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations10
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS Computational BiologyMême sujetNutrition and Health in AgingTravaux en français237 207