Basal cell carcinoma risk prediction in survivors of childhood cancer
Notice bibliographique
Résumé
BACKGROUND: Survivors of childhood cancer face excess risk of developing basal cell carcinoma. Age-specific basal cell carcinoma risk prediction models for survivors may support targeted screening recommendations. METHODS: We developed models predicting basal cell carcinoma risk by ages 40 and 50 years featuring detailed cancer treatment predictors, utilizing statistical and machine-learning algorithms and data from 23 166 five-year survivors in the Childhood Cancer Survivor Study, a multi-institutional retrospective cohort study. Selected models were externally validated in 5314 survivors in the St Jude Lifetime Cohort. Model discrimination and precision were evaluated using the area under the receiver operating characteristic curve (AUROC) and area under the precision-recall curve (AUPRC) and benchmarked against the current Children's Oncology Group Long-Term Follow-Up Guidelines (COG LTFU, v6.0) for skin cancer screening. RESULTS: By ages 40 and 50 years, basal cell carcinoma cumulative incidence was 5% and 15% in the Childhood Cancer Survivor Study and 7% and 21% in the St Jude Lifetime Cohort, respectively. The XGBoost algorithm-based models with treatment dose-specific predictors performed best, showing good external discrimination (age 40 years: AUROC = 0.75; age 50 years: AUROC = 0.76) and precision (age 40 years: AUPRC = 0.20; age 50 years: AUPRC = 0.52), outperforming COG LTFU Guideline-directed risk stratification (age 40 years: AUROC = 0.65; age 50 years: AUROC = 0.62; age 40 years: AUPRC = 0.09; age 50 years: AUPRC = 0.26; P < .01). These novel models reclassified 37% of survivors with COG-recommended skin cancer screening as low risk by age 40 years and 29% of survivors without COG-recommended screening as moderate or high risk by age 50 years, suggesting these recommendations overestimate risk in younger survivors and miss relevant predictors (eg, attained age, chemotherapy). CONCLUSIONS: In this study, we present validated basal cell carcinoma risk prediction models for childhood cancer survivors that outperform current practice guidelines. The associated online risk calculator can inform risk- and age-based screening recommendations.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».