A comparative population‐based analysis of the rate of partial vs radical nephrectomy for clinically localized renal cell carcinoma
Notice bibliographique
Résumé
STUDY TYPE: Prevalence (prospective cohort with good follow up). LEVEL OF EVIDENCE: 1a. OBJECTIVE: To examine contemporary (1989-2004) trends in partial nephrectomy (PN) within the Surveillance, Epidemiology and End Results (SEER) database, as among other considerations, a survival benefit due to avoidance of surgically induced renal insufficiency distinguishes PN from radical nephrectomy (RN). PATIENTS AND METHODS: Diagnostic, stage and surgical codes of patients with T1-2N0M0 renal cell carcinoma treated with either PN or RN were assessed. Proportions, trends and multivariable logistic regression models tested the predictors of the use of PN. RESULTS: Of 19 733 assessable patients, 2614 (13.2%) and 17 119 (86.8%), respectively, had PN or RN. The use of PN decreased with increasing tumour size, was more frequent in younger patients and increased with more contemporary years of surgery (all P < 0.001). Intriguingly, there was important geographical variability (P < 0.001), e.g. in the San Francisco-Oakland Metropolitan Area the absolute PN rate was 16.4%, vs 7.6% in New Mexico (P < 0.001). In multivariable analyses, tumour size, age, year of surgery, gender and SEER registries were independent predictors of PN use. CONCLUSION: Although as expected the rate of PN use increased over time, unexplained variability remained. For example, gender and SEER registries affected the likelihood of PN. These variables warrant further analyses to reduce unnecessary variability and to maximize PN use and its benefit.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».