Clinicopathological risk factors of oral second primary tumours
Notice bibliographique
Résumé
Background: Oral second primary tumours (SPTs) have a poor prognosis due to late-stage diagnosis. This study evaluates the demographic and clinicopathological risk predictors of SPTs. Methods: Patients with oral squamous cell carcinoma, carcinoma in situ, or severe dysplasia were accrued into the Oral Cancer Prediction Longitudinal study within one year post-curative treatment. Data on demographics, risk habits, and primary tumour characteristics were collected. Clinical follow-up included assessing the presence of second oral premalignant lesions (SOPLs), clinicopathological features, and the results from toluidine blue staining and fluorescence visualization. Results: Among 296 patients, 23 (8 %) developed SPTs. Older age at primary cancer diagnosis (P = 0.008) and a history of chewing tobacco or betel nut (P = 0.043) increased the risk of SPTs. Patients with primary tumours located at low-risk sites had an increased risk of SPTs (P = 0.004), which often presented at high-risk sites. The presence of SOPLs (P < 0.001), and multiple lesions (P = 0.017) significantly increased the risk of SPTs. Positive toluidine blue staining indicated a trend toward higher risk of SPTs, whereas fluorescence visualization did not. The median time to SPT diagnosis was 3.25 years post-treatment. Conclusions: Identifying second or multiple oral premalignant lesions is critical for predicting the risk of SPTs regardless of their clinical or histological characteristics. Routine biopsy of these lesions should be prioritized to ensure timely diagnosis. Incorporating these risk predictors into clinical follow-up can enhance early cancer detection and improve patient outcomes.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,003 | 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 ».