Refined estimates of local recurrence risks by DCIS score adjusting for clinicopathological features: a combined analysis of ECOG-ACRIN E5194 and Ontario DCIS cohort studies
Notice bibliographique
Résumé
PURPOSE: Better tools are needed to estimate local recurrence (LR) risk after breast-conserving surgery (BCS) for DCIS. The DCIS score (DS) was validated as a predictor of LR in E5194 and Ontario DCIS cohort (ODC) after BCS. We combined data from E5194 and ODC adjusting for clinicopathological factors to provide refined estimates of the 10-year risk of LR after treatment by BCS alone. METHODS: Data from E5194 and ODC were combined. Patients with positive margins or multifocality were excluded. Identical Cox regression models were fit for each study. Patient-specific meta-analysis was used to calculate precision-weighted estimates of 10-year LR risk by DS, age, tumor size and year of diagnosis. RESULTS: The combined cohort includes 773 patients. The DS and age at diagnosis, tumor size and year of diagnosis provided independent prognostic information on the 10-year LR risk (p ≤ 0.009). Hazard ratios from E5194 and ODC cohorts were similar for the DS (2.48, 1.95 per 50 units), tumor size ≤ 1 versus > 1-2.5 cm (1.45, 1.47), age ≥ 50 versus < 50 year (0.61, 0.84) and year ≥ 2000 (0.67, 0.49). Utilization of DS combined with tumor size and age at diagnosis predicted more women with very low (≤ 8%) or higher (> 15%) 10-year LR risk after BCS alone compared to utilization of DS alone or clinicopathological factors alone. CONCLUSIONS: The combined analysis provides refined estimates of 10-year LR risk after BCS for DCIS. Adding information on tumor size and age at diagnosis to the DS adjusting for year of diagnosis provides improved LR risk estimates to guide treatment decision making.
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 | 0,001 |
| 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 ».