Estimation of Annual Secondary Lung Cancer Deaths Using Various Adjuvant Breast Radiotherapy Techniques for Early-Stage Cancers
Notice bibliographique
Résumé
PURPOSE: Secondary lung cancer (SLC) can offset the benefit of adjuvant breast radiotherapy (RT), and risks compound sharply after 25 to 30 years. We hypothesized that SLC risk is mainly an issue for early-stage breast cancer, and that lives could be saved using different RT techniques. PATIENTS AND METHODS: The SEER database was used to extract breast patient age, stage survival, and radiotherapy utilization over time and per stage and to assess the factors associated with increased SLC risk with a multivariable competing risk Cox model. The number of SLC was calculated using the BEIR model modified with patient survival, age, and use of RT from the SEER database. Stage distribution and number of new breast cancer cases were obtained from the NAACCR. Mean lung dose for various irradiation techniques was obtained from measurement or literature. RESULTS: Out of the 765,697 non-metastatic breast cancers in the SEER database from 1988 to 2012, 49.8% received RT. RT significantly increased the SLC risk for longer follow-up (HR=1.58), early stage including DCIS, stage I and IIA (HR = 1.11), and younger age (HR=1.061) (all p<0.001). More advanced stages did not have significantly increased risk. In 2019, 104,743 early-stage breast patients received radiotherapy, and an estimated 3,413 will develop SLC (3.25%) leading to an excess of 2,900 deaths (2.77%). VMAT would reduce this mortality by 9.9%, hypofractionation 26 Gy in five fractions by 38.8%, a prone technique by 70.3%, 3D-CRT APBI by 43.3%, HDR brachytherapy by 71.1%, LDR by 80.7%, and robotic 4π APBI by 85.2%. CONCLUSIONS: SLC after breast RT remains a clinically significant issue for early-stage breast cancers. This mortality could be significantly reduced using a prone technique or APBI.
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 ».