54 ESTIMATING THE INCIDENCE RATE OF POST-DIAGNOSIS BRAIN METASTASES
Notice bibliographique
Résumé
Abstract Brain Cancer Canada Travel Award Recipient Brain metastases (BMs) exceed primary CNS tumours and comprise the majority workload in neuro-oncology. However, estimates of post-diagnosis BMs incidence are lacking. We address this gap and provide a population-based 10-year incidence rate of BMs following cancer diagnosis. We identified cancer patients diagnosed between 10/01/2012 and 09/30/2013 in Alberta, who were free from brain tumours at diagnosis. Brain/head-related radiology reports following cancer diagnosis for all patients were retrieved from a provincial radiology database up to 10/31/2022. Stratified by their number of follow-up reports, we drew patient samples from each stratum. All reports from sampled patients were manually labeled for BM (yes/no). We estimated BM incidence with three methods: (1) weighting using sampling weights, (2) simulating BM labels based on BM probability and distributions of the first BM occurrences, and (3) predicting BM labels using a natural language processing model. Of 11,800 eligible cancer patients, a total of 11,826 follow-up reports were identified from 4,647 patients having at least one report. 1,262 reports from 249 sampled patients were labeled. The estimated 10-year incidence rate (per 100,000 person-years) was 437.7, 436.6 (95%CI: 422.7–452.6), and 498.2 (95%CI: 447.8–552.3) from the three methods, respectively. The estimated cumulative incidence of BM at 10-year post-diagnosis was 4.16% (95% CI: 3.74–4.65%, method 2) and 4.43 (95%CI: 3.97–4.90%, method 3). We provide a first estimate of the incidence rate and cumulative incidence of BMs following cancer diagnosis, offering valuable insights for healthcare resource planning.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».