Comparison of Prognostic Factors for Merkel Cell Carcinoma, Mucosal Melanoma and Cutaneous Malignant Melanoma: Insights into Their Etiologies
Notice bibliographique
Résumé
Little is known about the epidemiology of Merkel cell carcinoma (MCC) and mucosal melanoma (MM). Using the United States (US) National Cancer Institute's Surveillance, Epidemiology, and End Results (SEER) program data, we compared MCC and MM with cutaneous malignant melanoma (CMM) with respect to incidence rates and prognostic factors to better understand disease etiologies. We describe the proportional incidences of the three cancers along with their survival rates based on 20 years of national data. The incidence rates in 2000-2019 were 203.7 per 1,000,000 people for CMM, 5.9 per 1,000,000 people for MCC and 0.1 per 1,000,000 people for MM. The rates of these cancers increased over time, with the rate of MM tripling between 2000-2009 and 2010-2019. The incidences of these cancers increased with age and rates were highest among non-Hispanic Whites. Fewer MCCs and MMS were diagnosed at the local stage compared with CMM. The cases in the 22 SEER registries in California were not proportional to the 2020 population census but instead were higher than expected for CMM and MCC and lower than expected for MM. Conversely, MM rates were higher than expected in Texas and New York. These analyses highlight similarities in the incidence rates of CMM and MCC-and differences between them and MM rates-by state. Understanding more about MCC and MM is important because of their higher potential for late diagnosis and metastasis, which lead to poor 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».