MétaCan
Menu
← Retour à la cohorte
Enregistrement W4406869333 · doi:10.1200/jco.2025.43.4_suppl.562

A global comparative study on MDT practices in the management of hepatocellular carcinoma in high-income countries (HICs) and low- and middle-income countries (LMICs).

2025· article· en· W4406869333 sur OpenAlexaboutno aff
Huang Zhiyong, Eduard Jonas, Lianxin Liu, Martin Smith, H. Soliman, Jiaping Li, Jizhou Wang, Wenzhe Fan, Ahmed E. Zeid, John Devar, Erlei Zhang, Qian Chen, Bichai Yin, Poka Yingjing Cui, Yufang Dong, Zixuan Su, Pablo Azcue, Lucy Turner, Maria Teresa Campos Partera, Xiaoping Chen

Notice bibliographique

RevueJournal of Clinical Oncology · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvances in Oncology and Radiotherapy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHepatocellular carcinomaMedicineLow and middle income countriesHigh income countriesEnvironmental healthOncologyDeveloping countryInternal medicineEconomic growth

Résumé

récupéré en direct d'OpenAlex

562 Background: As the sixth most common malignancy worldwide, hepatocellular carcinoma (HCC) accounted for 4.7% of all new cancer diagnoses in 2022. Low- and middle-income countries seem to bear a disproportionate burden of the disease, with over 50% of new HCC cases estimated to occur in China and Africa. Research on multidisciplinary team (MDT) practices in these regions is limited. The objective of this study is to compare MDT practices in the management of HCC in HICs and LMICs. Methods: Data on MDT practices from hospitals that manage HCC in Italy, Spain, Switzerland, Germany, Denmark, Canada and the USA, representing HICs, and in China, South Africa and Egypt, representing LMICs were collected through virtual semi-structured interviews and workshops. Results: Ten key areas of differences were identified (Table 1) that could be categorized as organizational/regulatory or clinical. In HIC institutions, the focus currently is on optimizing MDTs as standard of care approach accessible to all patients with HCC; MDT principles are often integrated into national policies. In LMICs, emphasis is on establishing MDTs and expanding their capacity; patient access to MDT care is not a mandatory requirement, nor regulated in national policy. Of note, LMICs are seeking early technology adoption to overcome some potential barriers to MDT interactions; online formats are more often explored to facilitate participation and AI-assisted diagnostic tools are explored to compensate for absence of radiologists. Absence of screening and surveillance for early detection in HCC is more common in LMICs, and therefore likely that patients more often present with advanced stage disease. Also, with limited diagnostic modalities, diagnostic work-up and staging may be sub-optimal. Conclusions: Significant variation exists in HCC MDT practices between HICs and LMICs. The ultimate goal of this study is to develop a format for clinical MDTs that will facilitate interaction between HICs and LMICs. Consideration for the differences highlighted above is crucial for the development of this concept. 10 key areas highlighting differences identified between HICs and LMICs. MDT development direction: Standard of Care for all patients vs. specific session for complex cases National/regional regulatory requirements Institutionalizing MDT principles MDT composition (specialists) Use of digital tools Reimbursement Access to therapeutic options Stage presentation of HCC patients Use of clinical staging Patient follow-up after MDT discussion

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)0,005
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 enseignants0,011
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,089
Tête enseignante GPT0,499
Écart entre enseignants0,411 · 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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetAdvances in Oncology and Radiotherapy→Travaux en français237 207→