Phyllodes Tumors—The Predictors and Detection of Recurrence
Notice bibliographique
Résumé
BACKGROUND: Phyllodes tumors are rare breast neoplasms and the histopathological grade and surgical margins help guide treatment and follow-up. The traditional surgical teaching is resection with ≥10 mm margins, but are narrower surgical margins acceptable? The purpose of our study was to identify predictors of local recurrence. METHODS: A retrospective analysis was performed to identify patients with phyllodes tumors who underwent surgery between 2002 and 2014 using a regional pathology database. Electronic medical records were used to identify surgical management, pathological characteristics, and follow-up encounters. RESULTS: A total of 150 phyllodes tumors were included: 110 of 150 (73%) benign, 21 of 150 (14%) borderline, and 19 of 150 (13%) malignant. At initial surgery, 29 specimens had a positive margin and 15 (56%) underwent re-excision. Seventy tumors had a surgical margin of ≤1 mm, 40 had a margin of 2 to 9 mm, and 11 had a margin of ≥10 mm. There were 11 of 150 (7.3%) locally recurrent tumors: 5 of 11 (45%) benign, 3 of 11 (27%) borderline, and 3 of 11 (27%) malignant. In total, 10 of 11 locally recurrent tumors had a positive margin or ≤1 mm margin at initial surgery. CONCLUSIONS: Phyllodes tumors can have a personalized treatment approach based on histopathological grade and surgical margins. Borderline and malignant phyllodes tumors with a positive or ≤1 mm surgical margin have an increased risk of recurrence. In benign phyllodes tumors, an optimal narrow negative margin may exist but the traditional ≥10 mm excisional margin is not necessary. Local recurrence rates may be sufficiently low in benign phyllodes tumors that imaging can be performed on the presence of clinical symptoms.
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 | 0,001 |
| 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 ».