Sentinel Node Staging of Resectable Colon Cancer
Notice bibliographique
Résumé
OBJECTIVE AND SUMMARY BACKGROUND DATA: Sentinel lymph node (LN) sampling, a technique widely used to manage breast cancer and melanoma, seeks to select LNs that accurately predict regional node status and can be extensively examined to identify nodal metastatic disease not detected by standard histopathological staging. For patients with resectable colon cancer, improved identification of LN disease would significantly advance patient care by identifying patients likely to benefit from adjuvant therapy. This study, conducted by 25 surgeons at 13 institutions, examined whether sentinel node (SN) sampling accurately predicted LN status for patients with resectable colon cancer. METHODS: SN sampling involved peritumor injection of 1% isosulfan blue, followed by identification of all LN visualized within 10 minutes. SN sampling was performed on 79 of 91 patients enrolled, followed by multilevel sectioning (MLS) of the nodes and examination by a single study pathologist. RESULTS: By standard histopathology, 7 patients had primary disease that was either benign or not colon cancer and were therefore excluded from further studies. Of 72 colon cancer cases studied, 48 (66%) were node-negative and 24 (33%) contained nodal metastases. SNs were successfully located in 66 cases (92%), with an average of 2.1 nodes per patient. SNs were negative in 14 of 24 node-positive cases (58%). MLS revealed tumor in a SN in 1 of these cases, bringing the false-negative rate of SN examination to 54%. CONCLUSION: This multi-institutional study found that for patients with node-positive colon cancer, SN examination with MLS failed to predict nodal status in 54% of cases. We conclude that SN sampling with MLS, used alone, is unlikely to improve risk stratification for resectable colon cancer.
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 ».