Recurrence and mortality rates with different treatment approaches of Merkel cell carcinoma: a systematic review and meta‐analysis
Notice bibliographique
Résumé
BACKGROUND: Comprehensive treatment recommendations for Merkel cell carcinoma are complex. We aimed to systematically review the published data on recurrence and mortality rates associated with various treatment approaches for Merkel cell carcinoma. METHODS: Search of MEDLINE, Embase, Web of Science, and Scopus from inception to August 2015. Studies were included that reported comparative survival and recurrence data for two or more treatment modalities. Two reviewers independently reviewed and abstracted recurrence and mortality rates. Event rates for individual treatment arms in each study were pooled and meta-analyzed across studies using a random-effects model. RESULTS: Fifty-two retrospective studies met inclusion criteria, revealing a total of 1,804 patients with primary Merkel cell carcinoma with data available for analyses. The recurrence rate was higher for surgery alone (55.0%) versus a combination of surgery and radiotherapy (39.0%) (odds ratio, 2.089; 95% CI, 1.374-3.177; P < 0.001). Combination therapy including surgery, radiotherapy, and chemotherapy had a higher mortality rate (44.6%) than did combined surgery and radiotherapy (23.2%) (odds ratio, 2.688; 95% CI, 1.196-6.037; P = 0.02). CONCLUSIONS: The treatment of Merkel cell carcinoma with surgery plus adjuvant radiotherapy may produce lower recurrence rates.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,027 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».