Modeling the effect of age in T1-2 breast cancer using the SEER database
Notice bibliographique
Résumé
BACKGROUND: Modeling the relationship between age and mortality for breast cancer patients may have important prognostic and therapeutic implications. METHODS: Data from 9 registries of the Surveillance, Epidemiology, and End Results Program (SEER) of the United States were used. This study employed proportional hazards to model mortality in women with T1-2 breast cancers. The residuals of the model were used to examine the effect of age on mortality. This procedure was applied to node-negative (N0) and node-positive (N+) patients. All causes mortality and breast cancer specific mortality were evaluated. RESULTS: The relationship between age and mortality is biphasic. For both N0 and N+ patients among the T1-2 group, the analysis suggested two age components. One component is linear and corresponds to a natural increase of mortality with each year of age. The other component is quasi-quadratic and is centered around age 50. This component contributes to an increased risk of mortality as age increases beyond 50. It suggests a hormonally related process: the farther from menopause in either direction, the more prognosis is adversely influenced by the quasi-quadratic component. There is a complex relationship between hormone receptor status and other prognostic factors, like age. CONCLUSION: The present analysis confirms the findings of many epidemiological and clinical trials that the relationship between age and mortality is biphasic. Compared with older patients, young women experience an abnormally high risk of death. Among elderly patients, the risk of death from breast cancer does not decrease with increasing age. These facts are important in the discussion of options for adjuvant treatment with breast cancer patients.
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 | 0,000 |
| 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 ».