The Role of Frailty and Myosteatosis in Predicting All-Cause Mortality in Older Adults with Cancer
Notice bibliographique
Résumé
Frailty and myosteatosis are each prognostic of all-cause mortality (ACM) in patients with cancer. However, it is unclear whether myosteatosis adds value to frailty for predicting ACM. We assessed whether myosteatosis improves the predictive ability of frailty for ACM in older adults undergoing chemotherapy. This was a retrospective study of older adults (≥65 years) initiating chemotherapy between June 2015 and June 2022. Frailty was assessed using a 24-item frailty index (FI). Myosteatosis was evaluated via computed tomography scans at the third lumbar vertebra (L3).. Multivariable Cox regression and Uno’s c-statistic determined the predictive performance of the FI and myosteatosis. In total, 115 participants (mean age: 77.1 years) were included. Frailty alone (adjusted hazards ratio (aHR) = 1.68, 95% confidence intervals (CIs) = 1.03–2.72, p = 0.037) and myosteatosis alone (aHR = 2.14, 95%CI = 1.07–4.30, p = 0.032) exhibited similar performance (c-statistic = 0.66) in predicting ACM in multivariable analyses adjusted for age, sex, body mass index, and treatment intent. However, the highest predictive performance for ACM was observed after inclusion of both myosteatosis and frailty in the multivariable model (c-statistic = 0.70). Myosteatosis improves the performance of frailty for predicting ACM in older adults with cancer. Prospective studies to assess the effect of exercise on myosteatosis in older patients are warranted.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».