The utility of intraoperative marrow margin frozen section in extremity bone sarcoma resection
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Intraoperative frozen section analysis is commonly used to evaluate marrow margins during extremity bone sarcoma resections, but its efficacy in the era of magnetic resonance imaging is debated. This study aimed to compare the accuracy of intraoperative frozen section assessment with final pathology, assess its correlation with gross intraoperative margin assessment, and evaluate its impact on surgical decision making. METHODS: Consecutive patients undergoing extremity bone sarcoma resections from 2010 to 2022 at a single sarcoma center were included. Intraoperative frozen section and gross margin assessments were compared to final pathology using positive predictive values (PPV) and negative predictive values (NPV). Changes in surgical decisions due to positive intraoperative margins were recorded. RESULTS: Of 166 intraoperative frozen section marrow margins, four were indeterminant/positive, with two false positive/indeterminant findings and two false negatives compared to final pathology. Gross intraoperative assessment had no false positives and two false negatives. Frozen section analysis yielded a PPV of 50% (95% confidence interval [CI]: 16%-84%) and NPV of 98.8% (95% CI: 97%-100%), while gross assessment had a PPV of 100% (95% CI: 16%-100%) and NPV of 98.8% (95% CI: 97%-100%). Positive frozen section margins led to additional resections in three of four cases. CONCLUSIONS: Intraoperative frozen section analysis did not offer added clinical value beyond gross margin assessment in extremity bone sarcoma resections. It exhibited a low PPV and led to unnecessary additional resections. Gross intraoperative assessment proved adequate for margin evaluation, potentially saving time and resources.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».