Primary lymphomas of the genitourinary tract: A population-based study
Notice bibliographique
Résumé
We performed a population-based analysis focusing on primary extranodal lymphoma of either testis, kidney, bladder or prostate (PGUL). We identified all cases of localized testis, renal, bladder and prostate primary lymphomas (PL) versus primary testis, kidney, bladder and prostate cancers within the Surveillance, Epidemiology, and End Results database (1998–2015). Estimated annual proportion change methodology (EAPC), multivariable logistic regression models, cumulative incidence plots and multivariable competing risks regression models were used. The rates of testis-PL, renal-PL, bladder-PL and prostate-PL were 3.04%, 0.22%, 0.18% and 0.01%, respectively. Patients with PGUL were older and more frequently Caucasian. Annual rates significantly decreased for renal-PL (EAPC: −5.6%; p=0.004) and prostate-PL (EAPC: −3.6%; p=0.03). In multivariable logistic regression models, older ager independently predicted testis-PL (odds ratio [OR]: 16.4; p<0.001) and renal-PL (OR: 3.5; p<0.001), while female gender independently predicted bladder-PL (OR: 5.5; p<0.001). In surgically treated patients, cumulative incidence plots showed significantly higher 10-year cancer-specific mortality (CSM) rates for testis-PL, renal-PL and prostate-PL versus their primary genitourinary tumors. In multivariable competing risks regression models, only testis-PL (hazard ratio [HR]: 16.7; p<0.001) and renal-PL (HR: 2.52; p<0.001) independently predicted higher CSM rates. PGUL rates are extremely low and on the decrease in kidney and prostate but stable in testis and bladder. Relative to primary genitourinary tumors, PGUL are associated with worse CSM for testis-PL and renal-PL but not for bladder-PL and prostate-PL, even after adjustment for other-cause mortality.
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) | 0,000 | 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 ».