Treatment Strategies and Survival Trends for Anorectal Melanoma: Is it Time for a Change?
Notice bibliographique
Résumé
BACKGROUND: Immunotherapy advances for the treatment of cutaneous melanoma question its efficacy in treating anorectal mucosal melanoma (ARMM). We aimed to identify the prevalence, current management, and overall survival (OS) for ARMM. METHODS: Review of patients with ARMM from 2004 to 2015 National Cancer Database. Factors associated with immunotherapy were identified using multivariable logistic regression. The primary outcome was 2- and 5-year OS. Subgroup analysis by treatment type was performed. RESULTS: A total of 1331 patients were identified with a significant increase in prevalence (2004: 6.99%, 2015: 10.53%). ARMM patients were older, white, on Medicare, and from the South. The most common treatment was surgery (48.77%), followed by surgery + radiation (11.75%), surgery + immunotherapy (8.68%), and surgery + chemotherapy (8.68%). 16.93% of patients received immunotherapy, with utilization increasing (7.24%: 2004, 21.27%: 2015, p < 0.001). Patients who received immunotherapy had a significantly better 2-year OS (42.47% vs. 49.21%, p < 0.001), and other therapies did not reveal a significant difference. Adjusted analysis showed no difference in 2- and 5-year OS based on therapy type. CONCLUSION: The prevalence of ARMM has increased. The use of immunotherapy has increased substantially. Some survival benefit with the administration of immunotherapy may exist that has yet to be revealed. A more aggressive treatment paradigm is warranted.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».