Non‐rhabdomyosarcoma soft tissue sarcomas diagnosed in patients at a young age. An overview of clinical, pathological, and molecular findings
Notice bibliographique
Résumé
OBJECTIVE: Disease spectrum in pediatric sarcoma differs substantially from adults. We report a cohort of very young children with non-rhabdomyosarcoma soft tissue sarcoma (NRSTS) detailing their molecular features, treatment, and outcome. METHODS: We report features of consecutive children (age <2 years) with NRSTS (2000-2017). Archival pathological material was re-reviewed, with additional molecular techniques applied where indicated. RESULTS: Twenty-nine patients (16 females, 55%) were identified (median age 6 months; range 0-23). Most common diagnoses included infantile fibrosarcoma (IFS, n = 14, 48%), malignant rhabdoid tumor (MRT, n = 4, 14%), and undifferentiated sarcoma (n = 4, 14%). Twenty-seven of 29 (93%) had tumor molecular characterization to confirm diagnosis. Clinical presentation included a swelling/mass (n = 23, 79%). Disease extent was localized (n = 20, 69%), locoregional (n = 6, 21%), or metastatic (n = 3, 10%). Seventeen of 29 (59%) who underwent surgery achieved complete resection (R0). Other treatments included conventional chemotherapy (n = 26, 90%), molecularly targeted therapies (n = 3, 10%), and radiation (n = 5, 17%). At last follow-up (median 3 years; range 0.3-16.4), 23 (79%) were alive, disease-free and six (21%) had died of disease. All patients with IFS were alive and all those with MRT died. A cancer predisposition syndrome (CPS) was confirmed in three of 10 (30%) genetically tested patients. CONCLUSION: We recommend tumor molecular characterization in all young patients including evaluation for CPS to optimize treatment options and prognostication.
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 ».