Serum Prognostic Markers in Head and Neck Cancer
Notice bibliographique
Résumé
PURPOSE: Recognized prognostic factors do not adequately predict outcomes of head and neck cancer (HNC) patients after their initial treatment. We identified from the literature nine potential serum prognostic markers and assessed whether they improve outcome prediction. EXPERIMENTAL DESIGN: A pretreatment serum sample was obtained from 527 of the 540 HNC patients who participated in a randomized controlled trial. During follow-up, 115 had a HNC recurrence, 110 had a second primary cancer (SPC), and 216 died. We measured nine potential serum prognostic markers: prolactin, soluble interleukin-2 (IL-2) receptor-alpha, vascular endothelial growth factor, IL-6, squamous cell carcinoma antigen, free beta-human choriogonadotropin, insulin-like growth factor-I, insulin-like growth factor binding protein-3, and soluble epidermal growth factor receptor. Cox regression was used to identify a reference predictive model for (a) HNC recurrence, (b) SPC incidence, and (c) overall mortality. Each serum marker was added in turn to these reference models to determine by the likelihood ratio test whether it significantly improved outcome prediction. We controlled for the false discovery rate that results from multiple testing. RESULTS: IL-6 was the only serum marker that significantly improved outcome prediction. Higher levels of IL-6 were associated with a higher SPC incidence. The hazard ratio comparing the uppermost quartile to the lowest quartile of IL-6 was 2.68 (95% confidence interval, 1.49-4.08). IL-6 was also associated with SPC-specific mortality but not with mortality due to other causes. No marker improved outcome prediction for cancer recurrence or overall mortality. CONCLUSIONS: IL-6 significantly improves outcome prediction for SPC in HNC patients.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,002 |
| 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 ».