Prognostic effects of previous cancer history on patients with major salivary gland cancer
Notice bibliographique
Résumé
OBJECTIVES: To explore the prognostic effects of previous cancer history on patients with major salivary gland cancer (SGC). SUBJECTS AND METHODS: SGC patients with (sec-SGC) and without (one-SGC) a previous cancer from the SEER database were identified. Cox proportional hazards regression (CoxPH) models were used to compare the prognosis between sec-SGC and one-SGC patients. Subgroup analyses for sec-SGC patients by gender, previous cancer types, previous cancer histology, and cancer diagnosis interval (CDI) were performed. Two CoxPH models were constructed to distinguish sec-SGC patients with different prognostic risks. RESULTS: 9098 SGC patients were enrolled. Overall, sec-SGC patients (adjusted HR [aHR] = 1.26, p < 0.001), especially those with a CDI ≤ 5 years (aHR = 1.47, p < 0.001), had worse overall survival (OS) than one-SGC patients. In subgroup analysis, only sec-SGC patients with a previous head and neck cancer who were female (aHR = 2.38, p = 0.005), with a CDI ≤ 5 years (aHR = 1.65, p = 0.007) or with a previous squamous cell carcinoma (aHR = 6.52, p < 0.001) had worse OS. Our models successfully differentiated all sec-SGC patients into high-, intermediate- and low-risk groups with different prognosis. CONCLUSIONS: Sec-SGC patients with different previous cancer types, gender, CDI and previous cancer histology had varied prognosis. The models we constructed could help differentiate the prognosis of sec-SGC patients with different risks.
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 ».