Impact of head-and-neck radiation oncology clinical fellowship on multidisciplinary assessment, radiation workflow, and survival of adult patients with nasopharyngeal carcinoma
Notice bibliographique
Résumé
Purpose: The purpose of the study wast to evaluate the influence of head-and-neck clinical fellowship training on multidisciplinary assessment, radiation workflow, and clinical outcomes of patients with nasopharyngeal carcinoma (NPC). Materials and Methods: This was a retrospective review of patients with NPC treated between 2010 and 2017. The study cohort was allocated into prefellowship cohort (pre-FSC) (January 2010-September 2014) and postfellowship cohort (post-FSC) (October 2014-December 2017). Patient demographics, tumor characteristics, multidisciplinary assessment, radiation workflow, and treatment were reviewed. Univariable, multivariable, and relapse-free survival (RFS) and overall survival (OS) were performed. Results: One hundred and forty-three patients were included, 68 in the pre-FSC and 75 in the post-FSC. For the post-FSC versus pre-FSC, there were increased multidisciplinary referrals to dental (100% vs. 79.4%, P = 0.001), nutritional (94.7% vs. 70.6%, P = 0.0001), peg-tube insertion (84% vs. 64.7%, P = 0.0001), speech and swallow (94.7% vs. 13.2%, P = 0.0001), psychosocial (100% vs. 26.5%, P = 0.0001), and smoking cessation clinic (33.3% vs. 5.9%, P = 0.0001). For the post-FSC versus pre-FSC, there were statistically significant differences in the elements of radiation workflow; mean time required for contouring was 3.2 vs. 8.8 days (P = 0.0001), radiotherapy plan implementation: 1.9 vs. 4.8 days (P = 0.0001), and plan approval: 0.4 vs. 0.9 day (P = 0.00012). On multivariable analysis, smoking was associated with poor RFS (P = 0.04). There were no statistically significant differences in OS (94.7% vs. 87.2% at 3 years; P = 0.126) and RFS (88.4% vs. 84.4% at 3 years; P = 0.281) between post and pre-FSCs, respectively. Conclusions: Clinical fellowship training results in increase multidisciplinary referrals to supportive services, improves radiotherapy workflow, but had no significant impact on survival outcomes.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».