Gender, Race and Disease Etiology Predict De Novo Malignancy Risk After Liver Transplantation: Insights for Future Individualized Cancer Screening Guidance
Notice bibliographique
Résumé
BACKGROUND: Malignancy after liver transplant (LT) is a leading cause of mortality, but data is limited. The aim of this study was to identify patients at higher risk for de novo malignancies after LT in a large multicenter database. METHODS: The Scientific Registry of Transplant Recipients database comprising all 108 412 LT recipients across the United States between 1987 and March 2015 was analyzed with a median follow-up of 6.95 years. Potential risk factors for malignancies after LT were assessed using Cox regression analysis for the outcome of time to first malignancy. RESULTS: Mean age 51.9 ± 10.8 years, 64.6% male, 74.5% white, and 15.8% with previous malignancy. Malignancies during follow-up were 4,483 (41.3%) skin, 1519 (14.0%) hematologic, and 4842 (44.7%) solid organ. The 10-year probability of de novo malignancy was 11.5% (11.3-11.8%). On multivariable analysis, age by decade (hazard ratio [HR], 1.52; P < 0.001), male sex (HR, 1.28; P < 0.001), white race (compared with other races: HR, 1.45-2.04; P < 0.001), multiorgan transplant (HR, 1.35; P < 0.001), previous malignancy (HR, 1.34; P < 0.001), and alcoholic liver disease, autoimmune, nonalcoholic steatohepatitis (HR, 1.35; P < 0.001), and primary sclerosing cholangitis pre-LT (compared with hepatitis C virus, P < 0.001) were associated with higher risk of post-LT malignancy, but type of immunosuppression was not (P = NS). CONCLUSIONS: This large data set demonstrates the effects of ethnicity/race and etiologies of liver disease, particularly nonalcoholic steatohepatitis as additional risk factors for cancer after LT. Patients with these high-risk characteristics should be more regularly and diligently screened.
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 ».