Sentinel Lymph Node Biopsy in Head and Neck Melanoma: A Review
Notice bibliographique
Résumé
The incidence of melanoma in the United States continues to rise. Head and neck melanomas comprise approximately 20% of all primary cutaneous melanomas. Sentinel lymph node (SLN) biopsy (SLNB) has become the standard of care for staging in melanoma. It has a number of advantages, including the addition of prognostic information, accurate staging, and the potential to add completion lymph node dissection (CLND) or adjuvant therapy when indicated. Furthermore, it may allow for the identification of patients who would benefit from inclusion in clinical trials; this advantage may be amplified based on the introduction of novel targeted therapies. SLNB does have some disadvantages in head and neck melanomas. The complex lymphatic drainage and anatomy of the head and neck can result in some technical challenges. SLN positivity rates in head and neck melanoma are lower than for trunk or extremity melanoma; despite this, overall and disease free survival rates are lower in head and neck melanoma. This review examines the literature evidence for the efficacy of SLNB in head and neck melanoma, and in particular attempts to estimate five variables: the likelihood of finding a SLN, the number of SLNs found, the likelihood of a positive SLN, the likelihood of identifying positive non-sentinel lymph nodes on CLND, and the likelihood of recurrence in the neck despite a negative SLNB. Overall, despite the technical challenges inherent in SLNB when applied to head and neck melanoma, it remains a technically feasible and effective procedure in this anatomic site.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».