Contemporary management of breast cancer in Nigeria: Insights from an institutional database
Notice bibliographique
Résumé
High-quality data are needed to guide interventions aimed at improving breast cancer outcomes in sub-Saharan Africa. We present data from an institutional breast cancer database to create a framework for cancer policy and development in Nigeria. An institutional database was queried for consecutive patients diagnosed with breast cancer between January 2010 and December 2018. Sociodemographic, diagnostic, histopathologic, treatment and outcome variables were analyzed. Of 607 patients, there were 597 females with a mean age of 49.8 ± 12.2 years. Most patients presented with a palpable mass (97%) and advanced disease (80.2% ≥ Stage III). Immunohistochemistry was performed on 21.6% (131/607) of specimens. Forty percent were estrogen receptor positive, 32.8% were positive for HER-2 and 43.5% were triple negative. Surgery was performed on 49.9% (303/607) of patients, while 72% received chemotherapy and 7.9% had radiotherapy. At a median follow-up period of 20.5 months, the overall survival was 43.6% (95% CI -37.7 to 49.5). Among patients with resectable disease, 18.8% (57/303) experienced a recurrence. Survival was significantly better for early-stage disease (I and II) compared to late-stage disease (III or IV) (78.6% vs 33.3%, P < .001). Receipt of adjuvant radiotherapy after systemic chemotherapy was associated with improved survival in patients with locally advanced disease (68.5%, CI -46.3 to 86 vs 51%, CI 38.6 to 61.9, P < .001). This large cohort highlights the dual burden of advanced disease and inadequate access to comprehensive breast cancer care in Nigeria. There is a significant potential for improving outcomes by promoting early diagnosis and facilitating access to multimodality treatment.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».