Pretreatment Risk Stratification for Endoscopic Kidney-sparing Surgery in Upper Tract Urothelial Carcinoma: An International Collaborative Study
Notice bibliographique
Résumé
BACKGROUND: Several groups have proposed features to identify low-risk patients who may benefit from endoscopic kidney-sparing surgery in upper tract urothelial carcinoma (UTUC). OBJECTIVE: To evaluate standard risk stratification features, develop an optimal model to identify ≥pT2/N+ stage at radical nephroureterectomy (RNU), and compare it with the existing unvalidated models. DESIGN, SETTING, AND PARTICIPANTS: This was a collaborative retrospective study that included 1214 patients who underwent ureterorenoscopy with biopsy followed by RNU for nonmetastatic UTUC between 2000 and 2017. OUTCOME MEASUREMENTS AND STATISTICAL ANALYSIS: We performed multiple imputation of chained equations for missing data and multivariable logistic regression analysis with a stepwise selection algorithm to create the optimal predictive model. The area under the curve and a decision curve analysis were used to compare the models. RESULTS AND LIMITATIONS: Overall, 659 (54.3%) and 555 (45.7%) patients had ≤pT1N0/Nx and ≥pT2/N+ disease, respectively. In the multivariable logistic regression analysis of our model, age (odds ratio [OR] 1.02, 95% confidence interval [CI] 1.0-1.03, p = 0.013), high-grade biopsy (OR 1.81, 95% CI 1.37-2.40, p < 0.001), biopsy cT1+ staging (OR 3.23, 95% CI 1.93-5.41, p < 0.001), preoperative hydronephrosis (OR 1.37 95% CI 1.04-1.80, p = 0.024), tumor size (OR 1.09, 95% CI 1.01-1.17, p = 0.029), invasion on imaging (OR 5.10, 95% CI 3.32-7.81, p < 0.001), and sessile architecture (OR 2.31, 95% CI 1.58-3.36, p < 0.001) were significantly associated with ≥pT2/pN+ disease. Compared with the existing models, our model had the highest performance accuracy (75% vs 66-71%) and an additional clinical net reduction (four per 100 patients). CONCLUSIONS: Our proposed risk-stratification model predicts the risk of harboring ≥pT2/N+ UTUC with reliable accuracy and a clinical net benefit outperforming the current risk-stratification models. PATIENT SUMMARY: We developed a risk stratification model to better identify patients for endoscopic kidney-sparing surgery in upper tract urothelial carcinoma.
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 ».