Ductal Carcinoma In Situ of the Breast: Can Biomarkers Improve Current Management?
Notice bibliographique
Résumé
BACKGROUND: Screening for invasive cancer has led to a marked increase in the detection of ductal carcinoma in situ (DCIS). DCIS is, if appropriately managed, a low-risk disease which has a small chance of impacting on patient life expectancy. However, despite significant advances in prognostic marker development in invasive breast cancer, there are no validated diagnostic assays to inform treatment choice for women with DCIS. Therefore we are unable to target effective treatment strategies to women at high risk and avoid over-treatment of women at low risk of progression to invasive breast cancer. Paradoxically, one effect of this uncertainty is undertreatment of some women. CONTENT: We review current practice and research in the field to identify key challenges in the management of DCIS. The impact of clinical research, particularly on the over and undertreatment of women with DCIS is assessed. We note slow progress toward development of diagnostic biomarkers and highlight key opportunities to accelerate advances in this area. SUMMARY: DCIS is a low-risk disease, its incidence is increasing, and current treatment is effective. However, many women are either over- or undertreated. Despite repeated calls for development of diagnostic biomarkers, progress in this area has been slow, reflecting a relative lack of investment of research effort and funding. Given the low event rate in treated patients and the lateness of recurrences, many previous studies have only limited power to identify independent prognostic and predictive biomarkers. However, the potential for such biomarkers to personalize treatment for DCIS is extremely high.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».