Surgical margin assessment of bone tumours: A systematic review of current and emerging technologies
Notice bibliographique
Résumé
Osteosarcoma is the most common malignant tumour of the bone. Complete surgical excision is critical to achieve optimal outcomes and lower recurrence rates. However, accurate assessment of tumour margins remains a challenge and multiple technologies are employed for this purpose. The aim of this study is to highlight current and emerging technologies and their efficacy in detecting clear bone margins intraoperatively, through a systematic review of the literature. The following databases were searched using the OVID platform: Medline, Embase, Global Health and Google Scholar. Studies were screened using predetermined eligibility criteria. Data was extracted based on study and patient characteristics, modes of detection, and commercial availability, followed by quality assessment. A total of 17 studies were included. The primary diagnosis varied, with osteosarcoma being reported by 9 studies. Three studies reported relapse, ranging between 17.6%-48%. Twelve studies reported non-invasive imaging as the mode of detection used, while 4 studies reported the use of frozen section. MRI and CT were found to have an accuracy of up to 93 %. Raman spectroscopy was reported to have an accuracy, sensitivity, and specificity of 69%, 58.8% and 83.3% respectively. CT had a sensitivity and specificity up to 83% and 100%, respectively. In conclusion, there seems to be high potential for the use of multimodal technologies to increase the accuracy of intraoperative margin assessment. Although imaging modalities possess a fair level of accuracy, they carry the risk of radiation exposure, are expensive, and cannot be used in-situ. Future clinical trials are needed to test the effectiveness of these technologies to measure the diagnostic accuracy and overall patient survival.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».