Role of clinicopathological variables in predicting recurrence and survival outcomes after surgery for non‐metastatic renal cell carcinoma: Systematic review and meta‐analysis
Notice bibliographique
Résumé
Renal cell carcinoma (RCC) represents 2% of all diagnosed malignancies worldwide, with disease recurrence affecting 20% to 40% of patients. Existing prognostic recurrence models based on clinicopathological features continue to be a subject of controversy. In this meta-analysis, we summarized research findings that explored the correlation between clinicopathological characteristics and post-surgery survival outcomes in non-metastatic RCC patients. Our analysis incorporates 99 publications spanning 140 568 patients. The study's main findings indicate that the following clinicopathological characteristics were associated with unfavorable survival outcomes: T stage, tumor grade, tumor size, lymph node involvement, tumor necrosis, sarcomatoid features, positive surgical margins (PSM), lymphovascular invasion (LVI), early recurrence, constitutional symptoms, poor performance status (PS), low hemoglobin level, high body-mass index (BMI), diabetes mellitus (DM) and hypertension. All of which emerged as predictors for poor recurrence-free survival (RFS) and cancer-specific survival. Clear cell (CC) subtype, urinary collecting system invasion (UCSI), capsular penetration, perinephric fat invasion, renal vein invasion (RVI) and increased C-reactive protein (CRP) were all associated with poor RFS. In contrast, age, sex, tumor laterality, nephrectomy type and approach had no impact on survival outcomes. As part of an additional analysis, we attempted to assess the association between these characteristics and late recurrences (relapses occurring more than 5 years after surgery). Nevertheless, we did not find any prediction capabilities for late disease recurrences among any of the features examined. Our findings highlight the prognostic significance of various clinicopathological characteristics potentially aiding in the identification of high-risk RCC patients and enhancing the development of more precise prediction models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,021 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».