Predicting cancer-control outcomes in patients with renal cell carcinoma
Notice bibliographique
Résumé
PURPOSE OF REVIEW: An increasing number of models are becoming available for patients with either suspected or established renal cell carcinoma (RCC) of various stages. In this review, we propose a systematic approach to the assessment of the quantity of the existing predictive and prognostic models. RECENT FINDINGS: Only one model was designed to distinguish between malignant or benign histology prior to nephrectomy and another tool attempts to discriminate between low-grade and high-grade histology. Four tools predict the natural history of RCC using preoperative tumor characteristics. Postnephrectomy recurrence can be predicted with four tools. Finally, mortality predictions can be quantified with 21 predictive tools. Although several of these tools are validated, formal tests were performed in surprisingly few such models. SUMMARY: Multiple models can be applied to nephrectomy candidates, to patients treated with nephrectomy, or to individuals with metastatic RCC regardless of nephrectomy status. For newly diagnosed and untreated patients, these tools can guide the clinician with respect to treatment selection. For patients treated with nephrectomy, they can assess the risk of recurrence and/or mortality and can guide the type and frequency of follow-up considerations. Finally, for patients with metastatic RCC, the models can provide the best estimate of remaining life expectancy. Unfortunately, virtually no data are available to model the prognosis of patients subjected to surveillance or nonextirpative treatment models.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».