P.151 A critical appraisal of the application of frailty and sarcopenia in the spinal oncology population
Notice bibliographique
Résumé
Background: Frailty and sarcopenia predict worse surgical outcomes among spinal degenerative and deformity-related populations; this association is less clear in the context of spinal oncology. Here, we identified frailty and sarcopenia tools applied in spinal oncology and appraised their clinimetric properties. Methods: A systematic review was conducted from January 1 st , 2000, until June 2022. Study characteristics, frailty tools, measures of sarcopenia, component domains, individual items, cut-off values, and measurement techniques were collected. Clinimetric assessment was performed according to Consensus-based Standards for Health Measurement Instruments. Results: Twenty-two studies were included (42,514 patients). The three most employed frailty tools were the Metastatic Spine tumor Frailty Index (MSTFI), Modified Frailty Index-11 (mFI-11), and the mFI-5. The three most common sarcopenia measures were the L3-Total Psoas Area (TPA)/Vertebral Body Area (VBA), L3-TPA/Height 2 , and L3-Spinal Muscle Index (L3-Cross-Sectional Muscle Area/Height 2 ). Frailty and sarcopenia measures lacked content and construct validity. Positive predictive validity was observed in select studies employing the HFRS, mFI-5, MSTFI, and L3-TPA/VBA. All frailty tools had floor or ceiling effects. Conclusions: Existing tools for evaluating frailty and sarcopenia in surgical spine oncology have poor clinimetric properties. Here, we provide a pragmatic approach to utilizing existing frailty and sarcopenia tools, until more clinimetrically robust instruments are developed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,083 | 0,289 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,011 |
| Bibliométrie | 0,020 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».