Survival after diagnosis of hepatocellular carcinoma and potential impact of treatment in a hepatitis B or C infected cohort
Notice bibliographique
Résumé
AIM: Little is known about the patterns of care and the impact of hepatocellular carcinoma (HCC) treatment on health outcomes at a population level. We conducted a population-based cohort study to examine HCC survival trends among people diagnosed with hepatitis B (HBV) or hepatitis C virus (HCV) infection, to determine predictors of receiving potentially curative therapy for HCC, and to examine the impact of HCC treatment on survival in New South Wales, Australia. METHODS: The Kaplan-Meier method was used to estimate survival, logistic regression to determine predictors of potentially curative therapy and Cox proportional hazards models to determine the impact of HCC treatment on survival. Years of potential life lost (YPLL) were calculated. RESULTS: During the period 1993-2007, 1081 cases of HCC were diagnosed. Median survival increased from 10.4 months during 1993-1997 to 18.4 months during 1998-2002, with no further improvement thereafter. Younger age at diagnosis (<65 years), being Asian-born and having multiple comorbid conditions increased the odds of receiving curative therapy. The effect of HCC treatment on the risk of mortality was similar between the HBV- and HCV-related HCC groups. Tumor-specific therapies had adjusted hazard ratios ranging 0.06-0.25 and palliative/supportive therapy alone had adjusted hazard ratios ranging 0.76-1.08. The average YPLL per person was 23.3. CONCLUSION: The burden of viral hepatitis-related HCC is substantial. Despite treatment advances in recent years, there has been no significant improvement in HCC survival. Efforts to improve HCC screening and early diagnosis are required to deliver curative treatment which clearly has a survival advantage.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».