Risk Factors Associated With Reoperative Surgery for Thyroid Malignancies: A Retrospective Cohort Study
Notice bibliographique
Résumé
OBJECTIVE: To examine various factors associated with an increased risk of reoperation for persistent or recurrent malignant thyroid cancers. STUDY DESIGN: Retrospective cohort study. SETTING: Tertiary academic hospital centers. METHODS: Patients undergoing surgery for thyroid cancer at 2 tertiary academic institutions from 2006 to 2020 were included. Those who underwent a reoperative procedure were compared with patients only requiring 1 procedure. The Pearson chi-square and independent t test were used to compare group data accordingly. Furthermore, a binomial logistic regression was performed, while machine learning models were used to construct a predictive algorithm. RESULTS: This study included 2266 patients with surgically managed thyroid malignancy, of which 54 (2.4%) necessitated reoperations. Those requiring a second surgical procedure were more likely to be male (40.7% vs 20.9%, P < .001), undergo bilateral (24.1% vs 3.3%, P < .001) and lateral (16.7% vs 1.8%, P < .001) neck dissections, and have a greater number of metastatic lymph nodes (mean, 9.1 vs 3.5; P < .001) and a larger tumor size (mean, 3.0 vs 2.0 cm; P < .001). According to the binomial logistic regression model, lateral neck dissection, greater number of metastatic lymph nodes, and larger tumor size significantly increased the odds of necessitating a second procedure by 7.8 (95% CI, 2.523-24.083), 1.1 (95% CI, 1.032-1.152), and 1.3 (95% CI, 1.064-1.559), respectively. Last, machine learning models could not significantly predict the occurrence of reoperation. CONCLUSION: This study identified patient- and cancer-related characteristics associated with an increased risk of requiring reoperation for thyroid malignancies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».