Malnutrition defined by GLIM criteria identifies a higher incidence of malnutrition and is associated with pulmonary complications after oesophagogastric cancer surgery, compared to ICD‐10‐defined malnutrition
Notice bibliographique
Résumé
BACKGROUND & OBJECTIVES: Low muscle mass, measured using computed tomography (CT), is associated with poor surgical outcomes. We aimed to include CT-muscle mass in malnutrition diagnosis using the Global Leadership Initiative on Malnutrition (GLIM) criteria, compare it to the International Classification of Diseases 10th Revision (ICD-10) criteria, and assess the impact on postoperative outcomes after oesophagogastric (OG) cancer surgery. METHODS: One hundred and eight patients who underwent radical OG cancer surgery and had preoperative abdominal CT imaging were included. GLIM and ICD-10 malnutrition data were assessed against complication and survival outcomes. Low CT-muscle mass was determined using predefined cut-points. RESULTS: GLIM-defined malnutrition prevalence was significantly higher than ICD-10-malnutrition (72.2% vs. 40.7%, p < 0.001). Of the 78 patients with GLIM-defined malnutrition, low muscle mass (84.6%) was the predominant phenotypic criterion. GLIM-defined malnutrition was associated with pneumonia (26.9% vs. 6.7%, p = 0.010) and pleural effusions (12.8% vs. 0%, p = 0.029). Postoperative complications did not correlate with ICD-10 malnutrition. Severe GLIM (HR: 2.51, p = 0.014) and ICD-10 (HR: 2.15, p = 0.039) malnutrition were independently associated with poorer 5-year survival. CONCLUSIONS: GLIM criteria appear to identify more malnourished patients and more closely relate to surgical risk than ICD-10 malnutrition, likely due to incorporating objective muscle mass assessment.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».