Supramarginal Resection of Metastatic Brain Tumors: A Meta-Analysis Study
Notice bibliographique
Résumé
Background and Objectives: Over 30% of people who suffer from cancers are at risk of developing brain metastases. The typical recommended surgical therapy for metastases within the brain is gross total resection (GTR). Nevertheless, GTR solely may not always be adequate for disease management since remaining tumors can show local advancements and invasion. The focus of this research is to summarize the current data and to compare the outcomes of GTR and supramarginal resection. Materials and Methods: A search on the PubMed, Scopus, Cochrane Central Library, and Web of Science (WOS) databases was performed using specific keywords for single or multiple brain metastasis of any origin in patients who underwent either supramarginal resection or gross total resection. Results: The average age of the patients involved in the study spanned between 51 ± 6 years and 60.5 ± 10.1 years. Males represented 48.7% of the total population. The incidence of 1-year survival among the GTR group was 37.1%, whereas the supramarginal resection group showed an incidence of 91.3%, under the random effect model (0.551, 95% CI [0.18, 0.921]). The incidence of 2-year survival among the GTR group was 21.26%, whereas the supramarginal resection group showed an incidence of 72.46%, under the random effect model (0.380, 95% CI [0.113, 0.648]). The incidence of local recurrence among the GTR group was 57.69%, whereas the supramarginal resection group showed an incidence of 18.4%, under the random effect model (0.266, 95% CI [0.106, 0.426]). Conclusions: Supramarginal resection is a promising approach for the management of brain metastases.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,011 | 0,005 |
| Bibliométrie | 0,002 | 0,003 |
| 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) | 0,002 | 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 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 ».