Datasets for reporting of soft‐tissue sarcoma: recommendations from the International Collaboration on Cancer Reporting (<scp>ICCR</scp>)
Notice bibliographique
Résumé
AIMS: Soft-tissue tumours are rare and both accurate diagnosis and proper treatment represent a global challenge. Current treatment guidelines also recommend review by specialised pathologists. Here we report on international consensus-based datasets for the pathology reporting of biopsy and resection specimens of soft-tissue sarcomas. The datasets were produced under the auspices of the International Collaboration on Cancer Reporting (ICCR), a global alliance of international pathology and cancer organisations. METHODS AND RESULTS: According to the ICCR's guidelines for dataset development, an international expert panel consisting of pathologists, a surgical oncologist, and a medical oncologist produced a set of core and noncore data items for biopsy and resection specimens based on a critical review and discussion of current evidence. All professionals involved were subspecialised soft-tissue sarcoma experts and affiliated with tertiary referral centres. Commentary was provided for each data item to explain the rationale for selecting it as a core or noncore element, its clinical relevance, and to highlight potential areas of disagreement or lack of evidence, in which case a consensus position was formulated. Following international public consultation, the documents were finalised and ratified, and the datasets, which included a synoptic reporting guide, were published on the ICCR website. CONCLUSION: These first international datasets for soft-tissue sarcomas are aimed to promote high-quality, standardised pathology reporting. Their adoption will improve consistency of reporting, facilitate multidisciplinary communication, and enhance comparability of data, all of which will help to improve patient's management.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».