Post-transplant lymphoproliferative disorder and management of residual mass post chemotherapy
Notice bibliographique
Résumé
INTRODUCTION: Post-transplant lymphoproliferative disorder (PTLD) is a rare complication. It represents a spectrum of lymphoid proliferations which occur in the setting of immunosuppression and organ transplantation. There are no reported cases or recommendations for the treatment of residual masses post rituximab of PTLD. PRESENTATION OF CASE: A patient with a long standing history of immunosuppression due to multiple kidney transplants starting in 1979, presented with a very large palpable hard abdominal mass (2004) after a fourth renal transplant. There was a past history of heavy immune suppression. CT scans revealed a conglomerate mass involving the right native kidney and two prior right sided renal allografts that crossed the midline. Biopsy of the large right retroperitoneal mass revealed large B cell lymphoma (CD 20 positive); consistent with post-transplant lymphoproliferative disorder (PTLD). DISCUSSION: Management of bulky PTLD, in a highly sensitized, heavily immune suppressed patient is not well described in the literature. The mainstay of therapy is IR and Ritixumab (R) monotherapy and combination R-CHOP. CHOP chemotherapy has an associated mortality rate of up to 38%. Radiotherapy is often considered over surgery and surgery has been most frequently used when associated with bowel complications. In this case report we describe upfront Ritiximab followed by consolidation resection and cytotoxic chemotherapy as a management strategy to reduce toxicity. CONCLUSION: The approach taken by our surgical team illustrates the benefits of disease debulking in certain cases of PTLD, by guiding further therapy and spacing and reducing chemotherapy in immune suppressed 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 | 0,001 | 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 ».