Development of neoplasms in pediatric patients with rheumatic disease exposed to anti-tumor necrosis factor therapies: a single Centre retrospective study
Notice bibliographique
Résumé
BACKGROUND: Anti-TNF (Tumor necrosis factor) therapy is effective in treating pediatric patients with refractory rheumatic disease. There is however a concern that anti-TNF usage may increase the risk of malignancy. Reports on specific types of malignancy in this patient population have been emerging over the past decade, but there is a need for additional malignancy reports, as these events are rare. Therefore, a retrospective chart review was performed on the biologic database of pediatric rheumatology patients at The Hospital for Sick Children (SickKids) from 1997 to 2013 for neoplasms, patient demographic information and rheumatologic treatment course. FINDINGS: 6/357 (1.68%) rheumatology patients treated with anti-TNF therapy between 1997 and 2013 developed neoplasms. One patient had two malignancies. One patient had a benign neoplasm. Cases were exposed to etanercept, infliximab or both. Neoplasms developed late after anti-TNF exposure (median 5.0 years) and infliximab treatment was associated with a shorter time to malignancy. The neoplasms identified were as follows: 2 renal clear cell carcinoma, 1 pilomatricoma, 1 nasopharyngeal carcinoma, 1 Ewing's sarcoma, 1 hepatic T-cell lymphoma, 1 lymphoproliferative disease. CONCLUSIONS: The malignancy rate at our centre is low, however more than half of the neoplasms identified were rare and unusual in the pediatric population. The 5-year malignancy-free probability for patients with juvenile idiopathic arthritis (JIA) treated with biologic therapy was 97% from our database. Long-term screening for rare neoplasms is important as part of the safety monitoring for any pediatric rheumatology patient receiving anti-TNF therapy.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».