Lymph Node-Based Prognostics: Limitations With Individualized Cancer Treatment
Notice bibliographique
Résumé
OBJECTIVES: Clinicians will commonly individualize adjuvant cancer therapy, on the basis of the number of involved lymph nodes and other clinicopathological factors, under the assumption that despite the expected statistical variability of such data one can nonetheless garner useful information for the individual case. Here the scientific basis of this assumption will be examined. METHODS: Survival data from the National Cancer Institute's Surveillance, Epidemiology, and End Results (SEER) program for 19,107 breast, 4,234 gastric, and 4,058 rectal cancers were studied with Kaplan-Meier estimates and Cox proportionate hazard models. The minimal sample size required to discriminate between high and low-risk groups was determined from the hazard ratios between various comparative groups, and their respective frequencies. RESULTS: The number of involved nodes was the strongest prognostic factor for all 3 cancers, followed by tumor diameter and grade. Discrimination between high and low-risk nodal prognostic groups required samples of 30 to 200 cases, depending on the prognostics used and the specific tumor, to attain a two-sided alpha of 0.05% with 90% power. At the individual level such prognostications therefore were uninformative. CONCLUSIONS: Clinicopathological prognostics based upon the number of involved lymph nodes are subject to population heterogeneity that limits their application to large samples. At the individual level, these prognostics appear more spurious than useful. The use of such prognostics to tailor cancer treatment to individuals should be considered a specious practice; instead a more categorical approach, based on the results of randomized trials, should be used.
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) | 0,001 | 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 | 0,000 | 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 ».