Predictors of Successful First-Attempt Prostate Cancer Computed Tomography Simulation: A Prospective Cohort Study
Notice bibliographique
Résumé
Purpose: Successful computed tomography (CT) simulation in prostate cancer radiation therapy relies on consistent bowel and bladder preparation. This study aimed to determine the first-attempt CT simulation success rate and identify factors associated with a successful simulation. Methods and Materials: This single-institution, prospective cohort study recruited patients with prostate cancer undergoing CT simulation for pelvic radiation. We abstracted the success of CT simulation on the first attempt, the number of scan attempts in a single visit, the reason for failed attempt(s), and the frequency of rescheduled appointments. Patients completed a survey regarding their preparation experiences, demographic data, and patient-reported outcomes. The primary outcome was a successful first-attempt CT scan. A generalized estimating equation model evaluated factors associated with successful first scan, including age, CT appointment time, American Urological Association urinary symptom scores, constipation, diarrhea, and instruction format. Additionally, qualitative analysis of open-text patient feedback explored barriers to effective preparation. Results: = .01) compared to verbal instructions alone. Qualitative analysis of 118 patient comments revealed common barriers, including unclear preparation instructions (23.7%), difficulty timing bowel movements (10.2%), and confusion about expectations (14.4%). Conclusions: Low CT simulation success rates emphasize the need for improved patient preparation strategies. Multimodal education significantly enhanced success rates. Addressing communication methods and, refining preparation protocols should reduce rescans, and optimize workflows.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».