Nomogram to Predict the Benefit of Intensive Treatment for Locoregionally Advanced Head and Neck Cancer
Notice bibliographique
Résumé
Abstract Purpose: Previous studies indicate that the benefit of therapy depends on patients' risk for cancer recurrence relative to noncancer mortality (ω ratio). We sought to test the hypothesis that patients with head and neck cancer (HNC) with a higher ω ratio selectively benefit from intensive therapy. Experimental Design: We analyzed 2,688 patients with stage III–IVB HNC undergoing primary radiotherapy (RT) with or without systemic therapy on three phase III trials (RTOG 9003, RTOG 0129, and RTOG 0522). We used generalized competing event regression to stratify patients according to ω ratio and compared the effectiveness of intensive therapy as a function of predicted ω ratio (i.e., ω score). Intensive therapy was defined as treatment on an experimental arm with altered fractionation and/or multiagent concurrent systemic therapy. A nomogram was developed to predict patients' ω score on the basis of tumor, demographic, and health factors. Analysis was by intention to treat. Results: Decreasing age, improved performance status, higher body mass index, node-positive status, P16-negative status, and oral cavity primary predicted a higher ω ratio. Patients with ω score ≥0.80 were more likely to benefit from intensive treatment [5-year overall survival (OS), 70.0% vs. 56.6%; HR of 0.73, 95% confidence interval (CI): 0.57–0.94; P = 0.016] than those with ω score <0.80 (5-year OS, 46.7% vs. 45.3%; HR of 1.02, 95% CI: 0.92-1.14; P = 0.69; P = 0.019 for interaction). In contrast, the effectiveness of intensive therapy did not depend on risk of progression. Conclusions: Patients with HNC with a higher ω score selectively benefit from intensive treatment. A nomogram was developed to help select patients for intensive 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 | 0,001 | 0,001 |
| 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 ».