Improving Surgical Care and Outcomes in Older Cancer Patients Through Implementation of a Presurgical Toolkit (OPTI-Surg)—Final Results of a Phase III Cluster Randomized Trial (Alliance A231601CD)
Notice bibliographique
Résumé
OBJECTIVE: To assess the effect of a practice-level preoperative frailty screening and optimization toolkit (OPTI-Surg) on postoperative functional recovery and complications in elderly cancer patients undergoing major surgery. BACKGROUND: Frailty is common in older adults. It increases the risk of poor postoperative functional recovery and complications. The potential for a practice-level screening/optimization intervention to improve outcomes is unknown. METHODS: Thoracic, gastrointestinal, and urologic oncological surgery practices within the National Cancer Institute Community Oncology Research Program (NCORP) were randomized 1:1:1 to usual care (UC), OPTI-Surg, or OPTI-Surg with an implementation coach. OPTI-Surg consisted of the Edmonton Frail Scale and guided recommendations for referral interventions. Patients 70 years old or above undergoing curative intent surgery were eligible. The primary outcome was 8 weeks postoperative function (kcal/wk). The key secondary outcome was complications within 90 days. Mixed models were used to compare UC to the 2 OPTI-Surg arms combined. RESULTS: From July 2019 to September 2022, 325 patients were enrolled in 29 practices. One hundred ninety-nine (64 UC, 135 OPTI-Surg) and 279 (78 UC, 201 OPTI-Surg) were evaluable for primary and secondary analysis, respectively. UC and OPTI-Surg patients did not significantly differ in total caloric expenditure (2.2 UC, 2.0 OPTI-Surg) after adjusting for baseline function ( P =0.53). UC and OPTI-Surg patients did not significantly differ in postoperative complications (25.6% UC, 35.3% OPTI-Surg, P =0.5). CONCLUSIONS: Frailty assessment was successfully performed, but the OPTI-Surg intervention did not improve postoperative function nor reduce postoperative complications compared with UC. Future analysis will explore practice-level factors associated with toolkit implementation and the differences between the coaching and noncoaching arms.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».