The Effect of 10 Most Common Nonurological Primary Cancers on Survival in Men With Secondary Prostate Cancer
Notice bibliographique
Résumé
Background This study aims to test the effect of the 10 most common nonurological primary cancers (skin, rectal, colon, lymphoma, leukemia, pancreas, stomach, esophagus, liver, lung) on overall mortality (OM) after secondary prostate cancer (PCa). Material and Methods Within the Surveillance, Epidemiology, and End Results (SEER) database, patients with 10 most common primary cancers and concomitant secondary PCa (diagnosed 2004–2016) were identified and were matched in 1:4 fashion (age, year at diagnosis, race/ethnicity, treatment type, TNM stage) with primary PCa controls. OM was compared between secondary and primary PCa patients and was stratified according to primary cancer type, as well as according to time interval between primary cancer vs. secondary PCa diagnoses. Results We identified 24,848 secondary PCa patients (skin, n = 3,871; rectal, n = 798; colon, n = 3,665; lymphoma, n = 2,583; leukemia, n = 1,102; pancreatic, n = 118; stomach, n = 361; esophagus, n = 219; liver, n = 160; lung, n = 1,328) vs. 531,732 primary PCa patients. Secondary PCa characteristics were less favorable than those of primary PCa patients (PSA and grade), and smaller proportions of secondary PCa patients received active treatment. After 1:4 matching, all secondary PCa exhibited worse OM than primary PCa patients. Finally, subgroup analyses showed that the survival disadvantage of secondary PCa patients decreased with longer time interval since primary cancer diagnosis and subsequent secondary PCa. Conclusion Patients with secondary PCa are diagnosed with less favorable PSA and grade. Even after matching for PCa characteristics, secondary PCa patients still exhibit worse survival. However, the survival disadvantage is attenuated, when secondary PCa diagnosis is made after longer time interval, since primary cancer diagnosis.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».