Local Recurrence After Initial Multidisciplinary Management of Soft Tissue Sarcoma: Is there a Way Out?
Notice bibliographique
Résumé
BACKGROUND: Multimodality treatment of primary soft tissue sarcoma by expert teams reportedly affords a low incidence of local recurrence. Despite advances, treatment of local recurrence remains difficult and is not standardized. QUESTIONS/PURPOSES: We (1) determined the incidence of local recurrence from soft tissue sarcoma; (2) compared characteristics of the recurrent tumors with those of the primary ones; (3) evaluated local recurrences, metastases and death according to treatments; and (4) explored the relationship between the diagnosis of local recurrence and the occurrence of metastases. METHODS: From our prospective database, we identified 618 soft tissue sarcomas. Thirty-seven of the 618 patients (6%) had local recurrence. Leiomyosarcoma was the most frequent diagnosis (eight of 37). The mean delay from original surgery was 22 months (range, 2-75 months). Mean size was 4.8 cm (range, 0.4-28.0 cm). Median followup after local recurrence was 16 months (range, 0-98 months). RESULTS: Recurrent tumors had a tendency toward becoming deeper seated and higher graded. Nineteen of the 37 patients with recurrence underwent limb salvage (nine free flaps) and six had an amputation. Twenty-two (59%) had metastases, including 10 occurring after the local recurrence event at an average delay of 21 months (range, 1-34 months). Six patients developed additional local recurrences, with no apparent difference in risk between amputation (two of six) and limb salvage (four of 19). CONCLUSIONS: Patients with a local recurrence of a soft tissue sarcoma have a poor prognosis. Limb salvage and additional radiotherapy remain possible but with substantial complications. Amputation did not prevent additional local recurrence or death.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».