A Review of the Neurosurgical Management of Brain Metastases During Pregnancy
Notice bibliographique
Résumé
OBJECTIVE: Patients with pregnancy-associated secondary brain tumors (PASBT) are challenging to manage. Because no guidelines for the management of such patients currently exist, we performed a systematic review of the literature using PRISMA guidelines with a discussion of management from a neurosurgeon's perspective. METHOD: Systematic review of the literature using PRISMA guidelines from 1999 to 2018. RESULTS: We identified 301 studies of which 16 publications (22 patients reporting 25 pregnancies, 20 deliveries, 5 early terminations) were suitable for final analysis. The most frequent primary cancers were breast (8/22, 36.36%), skin (6/22, 27.27%), and lung (5/22, 22.73%). Four patients (18.18%) had neurosurgical procedures during their pregnancies. Five patients (22.73%) received neurosurgical resection after their pregnancies. Nine patients (40.91%) received radiation therapy and seven patients (31.82%) received chemotherapy during pregnancy while seven patients (31.82%) received chemotherapy and radiation after pregnancy. There was 1 fetal death (5%) out of 20 healthy deliveries. Five pregnancies (20%) were terminated in the first trimester due to a need for urgent neurosurgical intervention. CONCLUSION: Management of PASBT remains a challenging issue. Maternal and fetal risks associated with surgical resection and teratogenicity due to adjuvant therapy should be discussed in the context of a multidisciplinary team. Timing of surgery and the use of systemic chemoradiation depends on the gestational age (GA) of the fetus, extent, and control of the mother's primary and metastatic disease. Guidelines need to be established to help neuro-oncology teams safely and effectively manage this group of patients.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».