Outcomes of small‐cell versus large‐cell gastroenteropancreatic neuroendocrine carcinomas: A population‐based study
Notice bibliographique
Résumé
The recent World Health Organization classification for gastroenteropancreatic neuroendocrine neoplasms (GEP-NENs) classified poorly differentiated GEP-NENs into small cell and large cell categories. The present study aimed to assess the differences in outcomes between patients with both histological categories. The Surveillance, Epidemiology and End Results (SEER) database (1975-2016) was accessed and patients with small cell and large cell GEP-neuroendocrine carcinomas (NECs) were extracted. Differences in survival outcomes were explored through Kaplan-Meier survival estimates and multivariable Cox regression models. In total, 2204 patients with GEP-NEC were identified in the survival cohort, including 1698 patients with small cell NEC (77%) and 506 patients with large cell NEC (23%). Using Kaplan-Meier analysis/log-rank testing, large cell GEP-NEC was associated with better overall survival compared to small cell NEC (P < 0.01). Using multivariable Cox regression analysis, large cell GEP-NEC was associated with better overall survival (large cell GEP-NEC versus small cell GEP-NEC, hazard ratio = 0.77; 95% confidence interval = 0.68-0.86) and cancer-specific survival (large cell GEP-NEC versus small cell GEP-NEC, hazard ratio = 0.79; 95% 95% confidence interval = 0.69-0.91). Patients with small cell GEP-NEC have worse survival outcomes compared to those with large cell GEP-NEC. Further efforts are needed to identify biological differences and treatment sensitivities between both histological categories.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».