MétaCan
Menu
← Retour à la cohorte
Enregistrement W4240930975 · doi:10.31219/osf.io/va2by

The effect of surveillance intensity on long-term survival following curative surgical treatment for solid cancers: A systematic review and meta-analysis

2020· review· en· W4240930975 sur OpenAlexaff
Victoria Giglio, Kim Madden, Patrícia Schneider, Bo Lin, Iqbal Multani, Hassan Baldawi, Patrick Thornley, Leen Naji, Marc S. Levin, Peiyao Wang, Anthony Bozzo, Michelle Ghert

Notice bibliographique

Revuenon disponible
Typereview
Langueen
DomaineMedicine
ThématiqueColorectal Cancer Surgical Treatments
Établissements canadiensHamilton Health SciencesJuravinski HospitalMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMedicineMeta-analysisRandomized controlled trialPsychological interventionMEDLINECancerInternal medicineSurgery

Résumé

récupéré en direct d'OpenAlex

BackgroundThe number of cancer survivors continues to increase due to advancements in cancer treatment. Consequently, the number of patients requiring post-operative surveillance protocols have increased, highlighting the need to develop post-operative surveillance protocols that increase survival benefit while remaining both cost- and resource-effective. MethodsWe carried out a comprehensive and systematic literature search of medical databases for randomized controlled trials (RCTs) in which patients with solid tumors 18 years of age or older that had undergone surgical resection with curative intent and had no metastatic disease at presentation, were randomized to different surveillance regimens to assess the effect on overall survival (OS). According to a priori definitions, surveillance programs were classified as (1) biological test, (2) frequency, (3) imaging, or (4) practitioner type. We carried out a pooled effect size estimate on risk ratios (RR) to evaluate the effect of more intensive versus less intensive surveillance strategies in each of the surveillance program categories on overall survival (OS). ResultsOur search yielded a total of 32,216 articles for review. Following all screening stages, 18 distinct RCTs were included in the systematic review. Most studies evaluated colorectal cancer patients (11/18, [61%]). Twenty-one comparisons from the 18 trials were included in the meta-analysis, with no significant difference in OS for any of the more intensive surveillance program categories analysed. One comparison evaluated biological test interventions and therefore, a meta-analysis was not conducted. Six comparisons were classified as frequency interventions with a combined RR of 0.96 (95% CI: 0.79-1.16). Eleven comparisons were classified as imaging interventions with a combined RR of 0.99 (95% CI: 0.91-1.08). Two comparisons were classified as practitioner type interventions with a combined RR of 1.106 (95% CI: 0.64-1.91). No difference in OS was observed in any of the cancer type subgroup analyses. Conclusion The cost of cancer care is steadily rising due to the growing number of cancer survivors, leading to questions in the ability of healthcare systems to meet the needs of patients. This study demonstrated that there is currently no evidence to support any kind of more intensive surveillance in solid cancers after treatment when considering OS as the primary outcome. However, due to persistent clinical equipoise and advancements in surveillance options, further large RCTs are required to evaluate the most optimal surveillance protocol for individual cancer types.

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)0,016
score de la tête « metaresearch » (Gemma)0,044
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,086

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,044
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0180,043
Bibliométrie0,0060,006
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,115
Tête enseignante GPT0,431
Écart entre enseignants0,316 · 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'étudeMéta-analyse
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetColorectal Cancer Surgical Treatments→Travaux en français237 207→