High prevalence of long-term and late effects in a South African childhood cancer survivor cohort
Notice bibliographique
Résumé
PurposeWe documented the prevalence of late effects in a South African childhood cancer survivor (CCS) cohort.Patients and MethodsCCSs at Tygerberg Hospital, Cape Town, were evaluated for clinical abnormalities, whereafter late effects were identified, graded according to the Common Terminology Criteria for Adverse Events (CTCAE), and classified as significant or insignificant.ResultsThe cohort comprised 160 CCSs (median age 13 years (interquartile range 9.9 – 17.8 years); follow-up period eight years (range 5 - 37.2 years)). There were 89 (55.6%) hematological and 71 (44.4%) solid malignancies. Most CCSs (146/160; 91.3%) had at least one late effect; the majority were of Grade 1 CTCAE severity (73.7%). Common late effects were gastrointestinal (13.3%), metabolic (12.9%), hematological (9.2%), musculoskeletal (9.1%), and neurological (8.8%) disorders. Significant risk factors for late effects were cancer diagnosis (p = 0.005), chemotherapy (moderate intensity [incidence rate ratio (IRR) 1.84; p = 0.036]; high intensity [IRR 2.8; p = 0.001]), and radiotherapy (IRR 1.44) (p = < 0.001). Late effects severity was significantly associated with radiotherapy (IRR 1.54; p = 0.004). Solid tumor survivors were more likely to develop Grade 2 (IRR 2.4; p = < 0.001) and 3 late effects (IRR 2.8; p = 0.011).ConclusionThis is the first study of a CCS cohort in South Africa. Most CCSs developed mild or moderate long-term and late effects, significantly associated with cancer diagnosis, chemotherapy intensity, and radiotherapy. It is crucial to develop long-term surveillance plans for CCSs in South Africa to ensure early detection of late effects.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».