MétaCan
Menu
← Retour à la cohorte
Enregistrement W4379346499 · doi:10.1200/jco.2023.41.16_suppl.e18691

Use of positron emission tomography-computed tomography (PET-CT) scan in cancer patients: A single Canadian academic oncology center experience.

2023· article· en· W4379346499 sur OpenAlexaffabout
Carlos Enrique Melendez-Pena, A. Gebai, Jean-Pierre M. Ayoub, Normand Blais, Danielle Charpentier, Marie Florescu, Bertrand Routy, 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 MontréalCegep regional de Lanaudiere
Organismes subventionnairesnon disponible
Mots-clésMedicinePositron emission tomographyNuclear medicineComputed tomographyRadiologyPositron Emission Tomography-Computed TomographyMedical physics

Résumé

récupéré en direct d'OpenAlex

e18691 Background: PET-CT scan is key tool in the diagnosis and follow up of cancer patients. In 2017, a governmental study demonstrated that the use of PET-CT scans in the province of Quebec, Canada was two times more elevated than other Canadian provinces, and similar to the United States (507 vs 510 PET-CT scans per 100,000 persons, respectively). In Quebec, the governmental agency Institut national d’excellence en santé et en services sociaux (INESSS) published recommendations for judicious use of PET-CT scans, derived from evidence-based literature and publications from international oncology societies . We sought to evaluate the use of PET-CT scans in our institution with regards to INESSS guidelines. Methods: A total of 1561 PET-CT scans were performed for oncologic purposes at the CHUM between September 1st and November 30th 2019. TEP-CT scans from patients under 18 years of age or who were not followed at our center were excluded. 975 PET-CT scans respected our criteria. We reviewed disease and clinical characteristics of patients, adherence to 2017 INESSS guidelines, imaging indication (staging, response to treatment, or follow up), and type of specialties requesting the exam. Results: Oncologic PET-CT scans were most frequently prescribed by surgeons (39%), followed by oncologists (29%) and radiation-oncologists (12%). 530 (54%) PET-CT scans followed guidelines, 377 (39%) did not, and 68 (7%) were not included in INESSS guidelines. Adherence to guidelines was similar between oncologists and surgeons (54% and 53%, respectively). PET-CT scans ordered by radiation-oncologists followed guidelines in 67% of cases. Lung (29%), breast (19%), and gastro-intestinal cancers (16%) were the sites for which the exam was most requested. Whereas 77% of PET-CT scans requested for lung cancer followed guidelines, only 17% of breast cancer PET-CT scans did. Misuse of this imaging tool was also observed in the investigation of cancer of unknown origin, where only 17% of ordered PET-CT scans followed guidelines. Conclusions: In our institution, 39% of PET-CT scans prescription did not follow guidelines. Variability in adherence to guidelines was significantly more noticeable between primary cancer sites compared to types of specialties requesting the exam. To avoid wasting of resources, we advocate for respecting guidelines and discussing in tumor-boards the off-label use of PET-CT scans. Judicious use of PET-CT scans is particularly important in a public health system for appropriate allocation of resources.

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)0,006
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 enseignants0,266
Score d'incertitude au seuil0,536

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,006
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,088
Tête enseignante GPT0,449
Écart entre enseignants0,361 · 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 Oncology→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→