Incidence and risk factors for skin cancer in liver transplant recipients: A systematic review
Notice bibliographique
Résumé
Skin cancer is a frequent complication of liver transplantation; however, contemporary incidence rates and associated risk factors remain poorly defined. We conducted a systematic review to summarize the literature on the incidence and risk factors of skin cancer after liver transplant. In July 2024, we searched MEDLINE, CINAHL, EMBASE, ClinicalTrials.gov, ProQuest Dissertations and Theses, and conference proceedings for studies on skin cancer following adult liver transplantations. Primary outcomes included incidence rates, number of de novo tumors, standardized incidence ratios, and significant risk factors for basal cell carcinoma, squamous cell carcinoma, melanoma, and skin cancer. Of the 522 unique studies generated by the search, 90 studies with 323,317 total liver transplant recipients were included. The mean incidence of skin cancer across studies was 1220.3 (SD=1400.0) cases per 100,000 person-years. Incidence rates and standardized incidence ratios varied substantially across studies but were consistently higher in liver transplant recipients than in the general population for non-melanoma skin cancers, most notably squamous cell carcinomas, but not for melanoma. The prominent risk factors included male sex, advanced age, fair complexion, alcohol consumption, sun exposure, and the use of cyclosporine rather than tacrolimus in immunosuppressive regimens. This study was limited by the heterogeneity of the study population, methods, and definitions of skin cancer. Overall, liver transplant recipients face heightened long-term risks of non-melanoma skin cancers, and while key risk factors are well established, there remains a gap in skin cancer surveillance and patient education within this population.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,000 |
| 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 ».