MétaCan
Menu
Retour à la cohorte
Enregistrement W4407778863 · doi:10.2196/67108

Digital Health Intervention to Reduce Malnutrition Among Individuals With Gastrointestinal Cancer Receiving Cytoreductive Surgery Combined With Hyperthermic Intraperitoneal Chemotherapy: Feasibility, Acceptability, and Usability Trial

2025· article· en· W4407778863 sur OpenAlexvenueno aff
Yu Chen Lin, R Hagen, Benjamin D. Powers, Seán Dineen, Jeanine Milano, Emma Hume, Olivia Sprow, Sophia Diaz-Carraway, Jennifer B. Permuth, Jeremiah L. Deneve, Amir Alishahi Tabriz, Kea Turner

Notice bibliographique

RevueJMIR Cancer · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueIntraperitoneal and Appendiceal Malignancies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintMedicineGastrointestinal cancerIntervention (counseling)DiseaseCancerInternal medicineGeneral surgeryColorectal cancerNursingComputer science

Résumé

récupéré en direct d'OpenAlex

Background: Cytoreductive surgery combined with hyperthermic intraperitoneal chemotherapy (CRS-HIPEC) can improve survival outcomes for individuals with gastrointestinal (GI) cancer and peritoneal disease (PD). Individuals with GI cancer and PD receiving CRS-HIPEC are at increased risk for malnutrition. Despite the increased risk for malnutrition, there has been limited study of nutritional interventions for individuals receiving CRS-HIPEC. Objective: We aimed to test the feasibility, acceptability, and usability of Support Through Remote Observation and Nutrition Guidance (STRONG), a multilevel digital health intervention to improve nutritional management among individuals with GI cancer and PD receiving CRS-HIPEC. We also assessed patient-reported outcomes, including malnutrition risk, health-related quality of life, and weight-related measures. Methods: STRONG is a 12-week digital intervention in which participants received biweekly nutritional counseling with a dietitian, logged food intake using a Fitbit tracker, and reported nutrition-related outcomes. Dietitians received access to a web-based dashboard and remotely monitored patients' reported food intake and nutrition-impact symptoms. Implementation outcomes were assessed against prespecified benchmarks consistent with benchmarks used in prior studies. Changes in patient-reported outcomes at baseline and follow-up were assessed using linear and ordered logistic regressions. Results: Participants (N=10) had a median age of 57.5 (IQR 54-69) years. Feasibility benchmarks were achieved for recruitment (10/17, 59% vs benchmark: 50%), study assessment completion (9/10, 90% vs benchmark: 60%), dietitian appointment attendance (7/10, 70% vs benchmark: 60%), daily food intake logging adherence (6/10, 60% vs benchmark: 60%), and participant retention (10/10, 100% vs benchmark: 60%). Most participants rated the intervention as acceptable (8/10, 80% vs benchmark: 70%) and reported a high level of usability for dietitian services (10/10, 100%). The benchmark usability for the Fitbit tracker to log food intake was not met. Compared to baseline, participants saw on average a 6.0 point reduction in malnutrition risk score (P=.01), a 20.5 point improvement in general health-related quality of life score (P=.002), and a 5.6 percentage point increase in 1-month weight change (P=.04) at the end of the study. Conclusions: The STRONG intervention demonstrated to be feasible, acceptable, and usable among individuals with GI cancer and PD receiving CRS-HIPEC. A fully powered randomized controlled trial is needed to test the effectiveness of STRONG for reducing malnutrition and improving patient outcomes.

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)0,005
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,330
Écart entre enseignants0,309 · 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'étudeEssai non randomisé
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

Citations5
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR CancerMême sujetIntraperitoneal and Appendiceal MalignanciesTravaux en français237 207