Associations between ocular melanoma and other primary cancers: An international population‐based study
Notice bibliographique
Résumé
Ocular melanoma is a rare neoplasm with a poorly understood etiology, especially concerning its link with ultraviolet-light exposure. Studying the risk of second primary cancers may help to formulate causal hypotheses. We used data from 13 cancer registries, including 10,396 first occurring ocular melanoma cases, and 404 second occurring cases. To compare the second cancer incidence in ocular melanoma patients to that in noncancer population, we calculated standardized incidence ratios (SIRs) of 32 types of cancer. We also calculated SIRs of second ocular melanoma after other primaries. Ocular melanoma patients had significantly increased risk of cutaneous melanoma (SIR = 2.38, 95% CI 1.77-3.14), multiple myeloma (SIR = 2.00, 1.29-2.95), and of liver (SIR = 3.89, 2.66-5.49), kidney (SIR = 1.70, 1.22-2.31), pancreas (SIR = 1.58, 1.16-2.11), prostate (SIR = 1.31, 1.11-1.54), and stomach (SIR = 1.33, 1.03-1.68) cancers. Risks of cutaneous melanoma were highly variable between registries and were mainly increased in females, in younger patients, in first years following diagnosis, and for patients diagnosed after 1980. The risk of ocular melanoma was significantly increased only after prostate cancer (SIR = 1.41, 1.08-1.82). Risk of cutaneous melanoma after ocular melanoma had epidemiological patterns, similar to cutaneous melanoma screening in the general population. The increased risk of cutaneous melanoma would be largely due to greater skin cancer surveillance in ocular melanoma patients, and not to common etiological factors. The high SIR found for liver cancer may be explained by misclassification bias. Common etiological factors may be involved in ocular and prostate cancers.
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) | 0,000 | 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 | 0,000 |
| 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 ».