Bridging therapies for patients with hepatocellular carcinoma awaiting liver transplantation: A systematic review and meta‐analysis on intention‐to‐treat outcomes
Notice bibliographique
Résumé
INTRODUCTION: Locoregional therapies are commonly used as bridging strategies to decrease the drop-out of patients with hepatocellular carcinoma (HCC) awaiting liver transplantation (LT). The present paper aims to assess the outcomes of bridging therapies in patients with HCC considered for LT according to an intention-to-treat (ITT) survival analysis. MATERIAL AND METHODS: Medline and Web of Science databases were searched for reports published before May 2021. Papers assessing adult patients with HCC considered for LT and reporting ITT survival outcomes were included. Two reviewers independently identified, extracted the data, and evaluated the papers according to Newcastle-Ottawa criteria. Outcomes analyzed were: drop-out rate; time on the waiting list; 1-, 3-, and 5-year survival after LT and based on an ITT analysis. RESULTS: The search identified 3106 records; six papers (1043 patients) met the inclusion criteria. Patients with HCC, listed for LT and submitted to bridging therapies presented a longer waiting time before LT (MD 3.77, 95% CI 2.07-5.48) in comparison with the non-interventional group. However, they presented a raised post LT after 1-year (OR 2.00, 95% CI 1.18-3.41), 3-years (OR 1.47, 95% CI 1.01-2.15), and 5-years (OR 1.50, 95% CI 1.06-2.13) survival. CONCLUSION: Patients submitted to bridging procedures, despite having a longer interval on the waiting list, presented better post-LT survival outcomes. Bridging therapies for selected patients at low risk of post-procedural complications and long expected intervals on the waiting list should be encouraged. However, further clinical trials should confirm the survival benefit of bridging therapies in patients with HCC listed for LT.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 ».