Surgery is first-line therapy for glioblastoma, and there is evidence that gross total resection is associated with improved survival. Gross total resection, however, is not always possible, and relationships among extent (percent) of resection (EOR), residual volume (RV), and survival are unknown. The goals were to evaluate whether there is an association between EOR and RV with survival and recurrence and to establish minimum EOR and maximum RV thresholds. Adult patients who underwent primary glioblastoma surgery from 2007 to 2011 were retrospectively reviewed. Three-dimensional volumetric tumor measurements were made. Multivariate proportional hazards regression analysis was used to evaluate the relationship between EOR and RV with survival and recurrence. Of 259 patients, 203 (78%) died and 156 (60%) had tumor recurrence. The median survival and progression-free survival were 13.4 and 8.9 months, respectively. The median (interquartile range) pre- and postoperative tumor volumes were 32.2 (14.0–56.3) and 2.1 (0.0–7.9) cm3, respectively. EOR was independently associated with survival (hazard ratio [HR], 0.995; 95% confidence interval [CI]: 0.990–0.998; P = .008) and recurrence (HR [95% CI], 0.992 [0.983–0.998], P = .005). The minimum EOR threshold for survival (P = .0006) and recurrence (P = .005) was 70%. RV was also associated with survival (HR [95% CI], 1.019 [1.006–1.030], P = .004) and recurrence (HR [95% CI], 1.024 [1.001–1.044], P = .03). The maximum RV threshold for survival (P = .01) and recurrence (P = .01) was 5 cm3. This study shows for the first time that both EOR and RV are significantly associated with survival and recurrence, where the thresholds are 70% and 5 cm3, respectively. These findings may help guide surgical and adjuvant therapies aimed at optimizing outcomes for glioblastoma patients.

Locomotive Syndrome (LS) is defined by decreased walking and standing abilities due to musculoskeletal issues. Early diagnosis is vital as LS can be reversed with appropriate intervention. Although diagnosing LS using standardized charts is straightforward, the labor-intensive and time-consuming nature of the process limits its widespread implementation. To address this, we introduced a Deep Learning (DL)-based computer vision model that employs OpenPose for pose estimation and MS-G3D for spatial-temporal graph analysis. This model objectively assesses gait patterns through single-camera video captures, offering a novel and efficient method for LS prediction and analysis. Our model was trained and validated using a dataset of 186 walking videos, plus 65 additional videos for external validation. The model achieved an average sensitivity of 0.86, demonstrating high effectiveness in identifying individuals with LS. The model’s positive predictive value was 0.85, affirming its reliable LS detection, and it reached an overall accuracy rate of 0.77. External validation using an independent dataset confirmed strong generalizability with an Area Under the Curve of 0.75. Although the model accurately diagnosed LS cases, it was less precise in identifying non-LS cases. This study pioneers in diagnosing LS using computer vision technology for pose estimation. Our accessible, non-invasive model serves as a tool that can accurately diagnose the labor-intensive LS tests using only visual assessments, streamlining LS detection and expediting treatment initiation. This significantly improves patient outcomes and marks a crucial advancement in digital health, addressing key challenges in management and care of LS.