MétaCan
Menu
Retour à la cohorte
Enregistrement W4391954076 · doi:10.1002/cncr.35247

The impact of cancer metastases on COVID‐19 outcomes: A COVID‐19 and Cancer Consortium registry‐based retrospective cohort study

2024· article· en· W4391954076 sur OpenAlexaff
Cecilia A. Castellano, Tianyi Sun, Deepak Ravindranathan, Clara Hwang, Nino Balanchivadze, Sunny R. K. Singh, Elizabeth A. Griffiths, Igor Puzanov, Erika Ruíz‐García, Diana Vilar‐Compte, Ana I. Cárdenas‐Delgado, Rana R. McKay, Taylor K. Nonato, Archana Ajmera, Peter Paul Yu, Rajani Nadkarni, Timothy E. O’Connor, Stephanie Berg, Kim Ma, Dimitrios Farmakiotis, Kendra Vieira, Panos Arvanitis, Renée Maria Saliby, Chris Labaki, Talal El Zarif, Trisha M. Wise‐Draper, Olga Zamulko, Ningjing Li, Brianne E Bodin, Melissa Accordino, Matthew Ingham, Monika Joshi, Hyma Polimera, Leslie A. Fecher, Christopher R. Friese, James J. Yoon, Blanche H. Mavromatis, Jacqueline T. Brown, Karen Russell, Rahul Nanchal, Harpreet Singh, Lisa Tachiki, Feras A. Moria, Gayathri Nagaraj, Kimberly Cortez, Saqib Hussen Abbasi, Elizabeth Wulff‐Burchfield, Matthew Puc, Lisa B. Weissmann, Padmanabh Bhatt, Melissa G. Mariano, Sanjay Mishra, Susan Halabi, Alicia Beeghly, Jeremy L. Warner, Benjamin French, Mehmet Asım Bilen

Notice bibliographique

RevueCancer · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensMcGill University Health CentreMcGill UniversityJewish General Hospital
Organismes subventionnairesGenentechNational Institutes of HealthNational Center for Advancing Translational SciencesSeagenFlatiron HealthCalithera BiosciencesIncyteEisaiNational Comprehensive Cancer NetworkVanderbilt University Medical CenterSanofiExelixisNational Cancer InstituteGenomic HealthVanderbilt UniversityLeukemia and Lymphoma SocietyBristol-Myers SquibbAstraZenecaPfizerVanderbilt Institute for Clinical and Translational ResearchNational Geographic SocietyEMD SeronoRoswell Park Cancer Institute
Mots-clésMedicineOdds ratioCancerInternal medicineConfidence intervalIntensive care unitLung cancerRetrospective cohort studyMetastasisLogistic regressionCohortBrain metastasisOncology

Résumé

récupéré en direct d'OpenAlex

Abstract Background COVID‐19 can have a particularly detrimental effect on patients with cancer, but no studies to date have examined if the presence, or site, of metastatic cancer is related to COVID‐19 outcomes. Methods Using the COVID‐19 and Cancer Consortium (CCC19) registry, the authors identified 10,065 patients with COVID‐19 and cancer (2325 with and 7740 without metastasis at the time of COVID‐19 diagnosis). The primary ordinal outcome was COVID‐19 severity: not hospitalized, hospitalized but did not receive supplemental O2, hospitalized and received supplemental O2, admitted to an intensive care unit, received mechanical ventilation, or died from any cause. The authors used ordinal logistic regression models to compare COVID‐19 severity by presence and specific site of metastatic cancer. They used logistic regression models to assess 30‐day all‐cause mortality. Results Compared to patients without metastasis, patients with metastases have increased hospitalization rates (59% vs. 49%) and higher 30 day mortality (18% vs. 9%). Patients with metastasis to bone, lung, liver, lymph nodes, and brain have significantly higher COVID‐19 severity (adjusted odds ratios [ORs], 1.38, 1.59, 1.38, 1.00, and 2.21) compared to patients without metastases at those sites. Patients with metastasis to the lung have significantly higher odds of 30‐day mortality (adjusted OR, 1.53; 95% confidence interval, 1.17–2.00) when adjusting for COVID‐19 severity. Conclusions Patients with metastatic cancer, especially with metastasis to the brain, are more likely to have severe outcomes after COVID‐19 whereas patients with metastasis to the lung, compared to patients with cancer metastasis to other sites, have the highest 30‐day mortality after COVID‐19.

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)0,003
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 enseignants0,015
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,092
Tête enseignante GPT0,499
Écart entre enseignants0,406 · 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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancerMême sujetCOVID-19 and healthcare impactsTravaux en français237 207