Prediction of pathologic fracture risk of the femur after combined modality treatment of soft tissue sarcoma of the thigh
Notice bibliographique
Résumé
BACKGROUND: The objective of the current study was to formulate a scoring system to enable decision making for prophylactic stabilization of the femur after surgical resection of a soft tissue sarcoma (STS) of the thigh. METHODS: A logistic regression model was developed using patient variables collected from a prospectively collected database. The study group included 22 patients who developed a radiation-related pathological fracture of the femur after surgery and radiotherapy for an STS of the thigh. The control group of 79 patients received similar treatment but did not sustain a fracture. No patients received chemotherapy. The mean follow-up was 8.6 years. The variables examined were age, gender, tumor size, radiation dose (low [50 grays (Gy)] vs high [> or = 60 Gy]), extent of periosteal stripping (<10 cm, 10-20 cm, and >20 cm), and thigh compartment involvement (posterior, adductor, anterior or other [ie, abductors and groin]). RESULTS: On the basis of an optimal regression model, the ability to predict radiation-associated fracture risk was 91% sensitive and 81% specific. The area under the receiver operating characteristic curve was 0.9, which supports this model as a very accurate predictor of fracture risk. CONCLUSIONS: Radiation-related fractures of the femur after combined surgery and radiotherapy for STS are uncommon, but are difficult to manage and their nonunion rate is extremely high. The results of the current study suggest that it is possible to predict radiation-associated pathological fracture risk using patient and treatment variables with high sensitivity and specificity. This would allow for the identification of high-risk patients and treatment with either close follow-up or prophylactic intramedullary nail stabilization. The presentation of this model as a nomogram will facilitate its clinical use.
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 ».