Pancreatic Neuroendocrine Tumors—A Descriptive Study of the Presenting Features in a 20-Year Surgical Resection Cohort at a Tertiary Institution
Notice bibliographique
Résumé
OBJECTIVES: Pancreatic neuroendocrine tumors (pNETs) are uncommon, comprising 3%-7% of pancreatic tumors. With increasing incidence due to advanced imaging techniques, there is a need for detailed characterization of these tumors. This study aims to describe the clinical features, diagnostic evaluations, and pathology characteristics of pNETs in a large cohort from a single tertiary center, and to compare these findings with other larger cohort studies. METHODS: We conducted a retrospective analysis of 866 patients with pNETs who underwent surgical resection at Mayo Clinic, Rochester, from March 2000 to December 2019. Data on demographics, clinical presentation, laboratory tests, imaging, and pathology were extracted and analyzed. Descriptive statistics were used to summarize the data. RESULTS: The cohort had a median age of 57 years. Nonfunctional tumors were much more prevalent (77.5%), with functional tumors primarily being insulinomas (75.9%). Common presenting symptoms included gastrointestinal (45.3%) and nongastrointestinal symptoms (30.7%). Chromogranin A levels were elevated in 57.5% of patients. Imaging revealed enhancing lesions in most cases, with computed tomography scans performed in 90.9% of patients. Endoscopic ultrasound (EUS) identified tumors in 98.1% of cases, with EUS-FNA showing a sensitivity of 82%. Ki-67 index, used in 58.1% of cases, indicated grade 2 tumors as the most common (55.9%). Metastasis was observed in 39.4% of patients at the time of diagnosis, predominantly in the liver. CONCLUSION: This study provides a comprehensive description of pNET characteristics in a large surgical cohort. Findings highlight the predominance of nonfunctional tumors and the importance of imaging and EUS in diagnosis. The data can aid in inter-institutional comparisons and enhance understanding of pNETs, contributing to improved patient management and future research.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».