Individualizing Follow-Up Strategies in High-Grade Soft Tissue Sarcoma with Flexible Parametric Competing Risk Regression Models
Notice bibliographique
Résumé
Currently, patients with extremity soft tissue sarcoma (eSTS) who have undergone curative resection are followed up by a heuristic approach, not covering individual patient risks. The aim of this study was to develop two flexible parametric competing risk regression models (FPCRRMs) for local recurrence (LR) and distant metastasis (DM), aiming at providing guidance on how to individually follow-up patients. Three thousand sixteen patients (1931 test, 1085 validation cohort) with high-grade eSTS were included in this retrospective, multicenter study. Histology (9 categories), grading (time-varying covariate), gender, age, tumor size, margins, (neo)adjuvant radiotherapy (RTX), and neoadjuvant chemotherapy (CTX) were used in the FPCRRMs and performance tested with Harrell-C-index. Median follow-up was 50 months (interquartile range: 23.3-95 months). Two hundred forty-two (12.5%) and 603 (31.2%) of test cohort patients developed LR and DM. Factors significantly associated with LR were gender, size, histology, neo- and adjuvant RTX, and margins. Parameters associated with DM were margins, grading, gender, size, histology, and neoadjuvant RTX. C-statistics was computed for internal (C-index for LR: 0.705, for DM: 0.723) and external cohort (C-index for LR: 0.683, for DM: 0.772). Depending on clinical, pathological, and patient-related parameters, LR- and DM-risks vary. With the present model, implemented in the updated Personalised Sarcoma Care (PERSARC)-app, more individualized prediction of LR/DM-risks is made possible.
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 | 0,001 |
| 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 ».