Derivation and validation of a risk classification tree for patients with synovial sarcoma
Notice bibliographique
Résumé
BACKGROUND: Synovial sarcoma (SS) accounts for 8%-10% of all soft-tissue sarcomas. Clinical presentation and outcomes vary, yet discrete risk groups based on validated prognostic indices are not defined for the full spectrum of patients with SS. METHODS: We performed a retrospective cohort study using data from the SEER (surveillance, epidemiology, and end results program) database of SS patients who were <70 years of age at diagnosis. We constructed a recursive partitioning model of overall survival using a training cohort of 1063 patients with variables: Age at diagnosis, sex, race, ethnicity, primary site, tumor size, tumor grade, and stage. Based on this model, we grouped patients into three risk groups and estimated 5-year overall survival for each group. We then applied these groups to a test cohort (n = 1063). RESULTS: Our model identified three prognostic groups with significantly different overall survival: low risk (local/regional stage with either <21 years of age OR tumor <7.5 cm and female sex), intermediate-risk (local/regional stage, age ≥ 21 years with either male sex and tumor <7.5 cm OR any sex with appendicular anatomic location) and high risk (local/regional stage, age ≥ 21 years, tumor size ≥7.5 cm and non-appendicular location OR distant stage). Prognostic groups were applied to the test cohort, showing significantly different survival between groups (p < 0.0001). CONCLUSIONS: Our analysis yields an intuitive risk-classification tree with discrete groups, which may provide useful information for researchers, patients, and clinicians. Prospective validation of this model may inform efforts at risk-stratifying treatment.
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 ».