Predictors of All-Cause In-Hospital Mortality in Patients With Malignant Well-Differentiated Gastroenteropancreatic Neuroendocrine Tumors
Notice bibliographique
Résumé
Background: Factors influencing in-hospital mortality in patients with well-differentiated gastroenteropancreatic neuroendocrine tumors (GEP-NETs) remain understudied, highlighting gaps in optimizing acute clinical outcomes. This study aimed to identify sociodemographic and clinical predictors of all-cause in-hospital mortality in this population. Methods: Using 2016 - 2020 data from the National Inpatient Sample (NIS), patients with malignant well-differentiated GEP-NETs were identified via the International Classification of Diseases, 10th Revision (ICD-10) codes. The primary outcome was in-hospital mortality. Sociodemographic and clinical variables (heart failure (HF), malnutrition, Charlson Comorbidity Index (CCI), and tumor site) were analyzed using multivariable logistic regression. Results: Among 5,642 patients (mean age 64, standard deviation (SD) 12.9), multivariable analysis identified HF (adjusted odds ratio (aOR) 2.09, 95% confidence interval (CI): 1.10 - 3.95), malnutrition (aOR 1.84, 95% CI: 1.29 - 2.62), pancreatic (aOR 1.52, 95% CI: 1.01 - 2.30) or colon tumors (aOR 2.31, 95% CI: 1.51 - 3.53), CCI ≥ 5 (aOR 1.49, 95% CI: 1.06 - 2.10), hypertension (aOR 0.65, 95% CI: 0.47 - 0.91) and elective admissions (aOR 0.40, 95% CI: 0.25 - 0.63) as clinically relevant factors associated with in-hospital mortality. Conclusions: Advanced age, tumor location, malnutrition, and HF may be critical mortality predictors among patients with GEP-NETs. These findings advocate for integrated care models prioritizing nutritional support, cardiovascular monitoring, and early elective interventions to improve 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 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».