High- versus low-intensity knowledge translation interventions for surgeons and rates of local tumour recurrence after rectal cancer surgery: an Ontario study
Notice bibliographique
Résumé
Background Given that diagnostic, neoadjuvant treatment, and surgical approaches to rectal cancer have changed markedly in the last 25 years, knowledge translation (KT) may be useful to optimize rectal cancer surgery and improve patient outcomes. We sought to evaluate the impact of surgeon-directed KT to improve the quality of rectal cancer surgery on local tumour recurrence in Ontario. Methods Ontario’s 14 health regions were previously categorized into 2 high-intensity and 12 low-intensity KT regions, based on KT methods (e.g., theory, audit, feedback), applied from 2006 to 2012 to improve the quality of rectal cancer surgery. In the high-intensity regions, efforts encouraged preoperative magnetic resonance imaging, appropriate radiation, and optimal surgical technique. We abstracted hospital chart data from across Ontario for a random sample of cases from 2010 to 2012 based on the respective population of a region and the relative hospital case volume within their region. The main study outcome was local tumour recurrence. Results In the high-intensity and low-intensity KT regions, we reviewed data from 523 (48.6%) and 557 (51.4%) patients, respectively. Descriptive variables (e.g., age, sex, tumour stage) were similar between groups. In the high- and low-intensity regions, the proportion of patients with a permanent stoma was 31.4% and 26.4% (p = 0.08), the proportion with positive radial margins was 8.0% and 6.1% (p = 0.2), and the proportion with local tumour recurrence was 6.3% and 5.2% (p = 0.2), respectively. The adjusted risk of time to local recurrence was similar in the high- and low-intensity KT regions (hazard ratio 0.72, 95% confidence interval 0.50–1.05). Conclusion The use of resource-intense methods was not associated with improved patient outcomes, including local tumour recurrence. New approaches are needed to optimize the population-level quality of rectal cancer surgery.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».