MétaCan
Menu
Retour à la cohorte
Enregistrement W4317863163 · doi:10.1200/jco.2023.41.4_suppl.793

Use of positron emission tomography-computed tomography (PET-CT) scan in patients with gastrointestinal (GI) cancer at the University Hospital of Montreal (CHUM).

2023· article· en· W4317863163 sur OpenAlexaffabout
A. Gebai, Carlos Enrique Melendez Pena, Jean-Pierre M. Ayoub, Danielle Charpentier, Mustapha Tehfé

Notice bibliographique

RevueJournal of Clinical Oncology · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensCentre Hospitalier de l’Université de MontréalUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésMedicinePositron emission tomographyComputed tomographyNuclear medicineRadiologyCancerRetrospective cohort studyInternal medicine

Résumé

récupéré en direct d'OpenAlex

793 Background: In the province of Quebec, Canada, PET-CT scan recommendations are published by the Institut national d’excellence en santé et en services sociaux (INESSS). These recommendations are based on evidence-based literature and publications from oncology societies (ASCO, NCCN...) Judicious use of PET-CT scans is particularly important in a public health system for appropriate allocation of resources. An analysis conducted by INESSS in 2017 demonstrated a remarkable use of 507 PET-CT scans per 100,000 persons in Quebec, an incidence more than twice as high as other provinces, and equivalent to that of the United States (510 per 100,000 person). Methods: We present a retrospective quality control study in which all PET-CT scans completed for oncologic purposes for patients of 18 years or older at CHUM between September 1st and November 30th, 2019, were included. Patients who had a PET-CT scan for non-oncologic purposes or weren’t followed at the CHUM were excluded. We reviewed disease characteristics of patients, and adherence to 2017 INESSS guidelines. All cancer types were analysed and classified according to imaging reason (staging, response to treatment, follow up). We herein report the use of PET-CT in GI cancers and how it compares to INESSS recommendation . Results: A total of 2331 PET-CT scans were completed in the studied period. Among them 975 PET-CT scans fit our inclusion criteria. 155 patients (16%) underwent PET-CT scans for GI cancers. Only 35% followed INESSS recommendations, 44% did not, and 21% had GI cancer types without revised clear recommendations from INESSS. Among specialists, surgeons requested most PET-CT scans (66%), but surgeons, oncologists, and gastroenterologist were equally non-adherent to guidelines (44, 45, and 43% respectively). Strikingly, 43% of PET-CT scans for GI cancers were prescribed for cancer follow up, yet 83% did not follow guidelines. Most PET-CT scans were used for colorectal (41%) or gastroesophageal cancers (28%), and only 40 and 53% followed guidelines, respectively. 49.7% of PET-CT scans did not result in treatment modification. Conclusions: In our university hospital, more than 40% of PET-CT scans prescribed don’t follow INESSS recommendations. In the interest of proper resource allocation in a public health care system, we recommend guideline adherence and discussion in multidisciplinary Tumour Boards prior to off-label use of PET-CT scans.

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)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,399
Score d'incertitude au seuil0,794

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,023
Tête enseignante GPT0,339
Écart entre enseignants0,317 · 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'étudeObservationnel
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

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207