Prevalence of BRAF gene mutation in samples of primary and metastatic colorectal cancer: A meta‐analysis
Notice bibliographique
Résumé
INTRODUCTION: Understanding the prevalence and biology of BRAF gene can improve the treatment methods of cancerous patients. This study aims to estimate the prevalence of BRAF gene mutation in samples of primary and metastatic colorectal cancer using meta-analysis method. METHODS: We searched PubMed, Scopus, ScienceDirect, Ovid and Google Scholar motor engine using MeSH terms of relevant keywords. During the screening phase, titles, abstracts and full texts were reviewed and risk of bias was assessed for all selected papers based on Newcastle-Ottawa Scale (NOS) checklist. The results of the primary studies were combined using meta-analysis. RESULTS: Of 95 eligible studies entered into the meta-analysis, prevalence of BRAF gene mutation had been assessed among 19,484 primary tumour samples as well as 12,256 metastatic samples. The total prevalence of BRAF gene mutation among primary tumour samples was estimated as of 10.16% (8.09-12.22) in the world, 0.41% (0-1.89) in EMRO region, 10.06% (7.54-12.59) in EURO region, 10.33% (7.24-13.43) in SEARO region and 11.33% (7.29-15.37) in WPRO region. The pooled estimates for BRAF gene mutation in metastatic samples were 6.53% (5.09-7.96), 8.07% (5.57-10.56), 5.38% (3.75-7.02) and 5.55% (1.72-9.38) for all regions, EURO, WPRO and PAHO regions respectively. CONCLUSION: Our results showed evidences of BRAF gene mutation in one-tenth of primary colorectal tumour samples in EURO, PAHO, SEARO and WPRO regions which was considerably higher than that of the EMRO region.
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) | 0,004 | 0,001 |
| 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 ».