LITTing up Gliomas—Is the Future Bright?
Notice bibliographique
Résumé
Background: Laser interstitial thermal therapy (LITT) represents an attractive therapeutic strategy for several intracranial pathologies; however, there is a paucity of literature regarding its efficacy for the treatment of gliomas. Methods: MEDLINE, EMBASE, Scopus, and Web of Science were searched from inception until March 19, 2021. Studies specifically relating to the use of LITT in treatment of glioma were eligible for inclusion. A meta-analysis of means was performed to assess the progression-free survival (PFS) and overall survival (OS) following LITT and descriptive statistics relating to patients undergoing LITT were collated and a meta-analysis of proportions was also performed to assess the rate of complications. Results: In total, 17 studies were included for the meta-analysis, comprising 401 patients with 408 gliomas of which 88 of 306 (28.8%) were grade 1 or 2 and 218 of 306 (71.2%) were grade 3 or 4. Of these, 256 of 408 (62.8%) were primary presentation and 152 of 408 (37.2%) were recurrent. The pooled mean OS was 13.58 months (95% confidence interval [CI] 9.77-17.39) and the PFS was 4.96 months (95% CI 4.19-5.72). The OS and PFS of recurrent glioblastoma were 12.4 months (95% CI 9.61-16.18) and 4.84 months (95% CI 0.23-9.45), respectively. Complications occurred in 114 of 411 (24%; 95% CI 14-41), of which 44 (11%) were transient deficits. Conclusions: There is an increasing body of evidence demonstrating the use of LITT in the surgical management of deep-seated gliomas in patients of poor performance status. However, further studies are required to interrogate the clinical effectiveness of LITT in the setting of gliomas as well as assessing the survival benefit versus standard treatment alone.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 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 ».