Predicting outcomes in patients with urologic cancers
Notice bibliographique
Résumé
PURPOSE OF REVIEW: To review the available predictive and prognostic models addressing oncological outcomes in patients with bladder, kidney and prostate cancer. RECENT FINDINGS: A systematic review of the English literature on the discussed topics was performed. All manuscripts were retrieved from PubMed, and restricted to entries with an abstract. Keywords were 'diagnosis', 'stage', 'prognosis' and 'nomograms' for bladder, kidney and prostate cancer, respectively. Of these, 70 were selected for inclusion, based on content, clinical relevance, quality, level of evidence, and year of publication. SUMMARY: We identified six models for prediction of the natural history of treated bladder cancer. We report on 15 models for patients with kidney cancer. Of these, two preoperative prognostic models predict recurrence-free survival, three postoperative models address disease recurrence, five postoperative models predict disease-specific survival, and, finally, five models predict overall survival in patients with metastatic kidney cancer. For prostate cancer, we found eight models predicting biopsy outcome, 17 models for pretreatment prediction of pathologic stage of clinically localized disease, eight models for prediction of biochemical recurrence, and, finally, six models predicting cancer control outcomes in relapsed or hormone-refractory metastatic prostate cancer. In patients with urologic malignancies, cancer control outcomes can be predicted in a highly accurate and evidence-based fashion.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».