Number of nodes in sentinel lymph node biopsy for breast cancer: Are surgeons still biased?
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: The purpose of this study was to assess the number of lymph nodes removed at SLNB, and what factors might bias a surgeon's decision to remove additional nodes. METHODS: A prospectively maintained database was reviewed. All patients that had SLNB for primary treatment of breast cancer between January 2012 and March 2016 were identified. Clinicopathologic factors were used to compare the number of LNs and rates of node positivity. RESULTS: One thousand six hundred and three patients were included. The average number of SLNs, non-SLNs, and total LNs was 2.53, 0.54, 3.08, respectively. Significantly more LNs were removed in age <40 versus age >40 (3.73, 3.04 P < 0.01), invasive versus DCIS (3.13, 2.73 P < 0.001), Grade III versus Grade II (3.42, 2.99 P < 0.01), T2 versus T1 (3.40, 2.96 P < 0.01), and ER- versus ER+ (3.45, 3.05 P < 0.05). SLN positivity was significantly higher (P < 0.05) in invasive versus DCIS (27%, 4%), T2 versus T1 (30%. 17%), Grade II versus Grade I (42%, 18%), and ILC versus IDC (38%, 26%). CONCLUSIONS: There was a significant difference in the number of lymph nodes removed at SLNB in certain groups however; node positivity was not necessarily higher in these groups. Surgeons must be cognizant of potential bias when performing SLNB.
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) | 0,001 | 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 ».