Analysis of Margin Classification Systems for Assessing the Risk of Local Recurrence After Soft Tissue Sarcoma Resection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose To compare the ability of margin classification systems to determine local recurrence (LR) risk after soft tissue sarcoma (STS) resection. Methods Two thousand two hundred seventeen patients with nonmetastatic extremity and truncal STS treated with surgical resection and multidisciplinary consideration of perioperative radiotherapy were retrospectively reviewed. Margins were coded by residual tumor (R) classification (in which microscopic tumor at inked margin defines R1), the R+1mm classification (in which microscopic tumor within 1 mm of ink defines R1), and the Toronto Margin Context Classification (TMCC; in which positive margins are separated into planned close but positive at critical structures, positive after whoops re-excision, and inadvertent positive margins). Multivariate competing risk regression models were created. Results By R classification, LR rates at 10-year follow-up were 8%, 21%, and 44% in R0, R1, and R2, respectively. R+1mm classification resulted in increased R1 margins (726 v 278, P < .001), but led to decreased LR for R1 margins without changing R0 LR; for R0, the 10-year LR rate was 8% (range, 7% to 10%); for R1, the 10-year LR rate was 12% (10% to 15%) . The TMCC also showed various LR rates among its tiers ( P < .001). LR rates for positive margins on critical structures were not different from R0 at 10 years (11% v 8%, P = .18), whereas inadvertent positive margins had high LR (5-year, 28% [95% CI, 19% to 37%]; 10-year, 35% [95% CI, 25% to 46%]; P < .001). Conclusion The R classification identified three distinct risk levels for LR in STS. An R+1mm classification reduced LR differences between R1 and R0, suggesting that a negative but < 1-mm margin may be adequate with multidisciplinary treatment. The TMCC provides additional stratification of positive margins that may aid in surgical planning and patient education.
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.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 découle