Mortality after breast cancer as a function of time since diagnosis by estrogen receptor status and age at diagnosis
Notice bibliographique
Résumé
Our aim was to estimate how long-term mortality following breast cancer diagnosis depends on age at diagnosis, tumor estrogen receptor (ER) status, and the time already survived. We used the population-based Australian Breast Cancer Family Study which followed-up 1,196 women enrolled during 1992-1999 when aged <60 years at diagnosis with a first primary invasive breast cancer, over-sampled for younger ages at diagnosis, for whom tumor pathology features and ER status were measured. There were 375 deaths (median follow-up = 15.7; range = 0.8-21.4, years). We estimated the mortality hazard as a function of time since diagnosis using a flexible parametric survival analysis with ER status a time-dependent covariate. For women with ER-negative tumors compared with those with ER-positive tumors, 5-year mortality was initially higher (p < 0.001), similar if they survived to 5 years (p = 0.4), and lower if they survived to 10 years (p = 0.02). The estimated mortality hazard for ER-negative disease peaked at ~3 years post-diagnosis, thereafter declined with time, and at 7 years post-diagnosis became lower than that for ER-positive disease. This pattern was more pronounced for women diagnosed at younger ages. Mortality was also associated with lymph node count (hazard ratio (HR) per 10 nodes = 2.52 [95% CI:2.11-3.01]) and tumor grade (HR per grade = 1.62 [95% CI:1.34-1.96]). The risk of death following a breast cancer diagnosis differs substantially and qualitatively with diagnosis age, ER status and time survived. For women who survive >7 years, those with ER-negative disease will on average live longer, and more so if younger at diagnosis.
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) | 0,007 | 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 ».