Prognostic Factors in Sinonasal Cancers: A Multicenter Pooled Analysis
Notice bibliographique
Résumé
OBJECTIVES: Sinonasal cancers (SNC) are heterogeneous diseases with different clinical behavior. We aimed to identify prognostic factors in non-metastatic (M0)-SNC. METHODS: Electronic health records from M0-SNC patients treated with definitive surgery ± postoperative radiotherapy or chemoradiotherapy at two tertiary institutions were reviewed. p16 staining was performed in the squamous cell carcinoma (SCC) subset. Multivariable analysis (MVA) calculated the adjusted hazard ratio (aHR) for histology type (SCC as the comparator), T/N categories, and primary treatment modality for the risk of locoregional failure (LRF), distant metastasis (DM), and deaths. RESULTS: A total of 376 patients were eligible including 209 (56%) SCC (p16+: 35; p16-/untested: 157), 42 (11%) adenocarcinoma, 35 (9%) sinonasal undifferentiated carcinoma or sinonasal neuroendocrine tumors (SNUC/SNEC), 33 (9%) mucosal melanoma (MM), 30 (8%) esthesioneuroblastoma (ES), and 27 (7%) adenoid cystic carcinoma (ACC). MVA identified MM histology (aHR 2.03, 95% CI 21.23-3.33), older age (aHR 1.02; 95% CI: 1.00-1.03), T3-4 tumor (aHR 5.08, 95% CI 2.77-9.30), and nodal involvement (aHR: 2.15, 95% CI 1.46-3.16) carried higher mortality risk (all p < 0.05); MM (aHR 10.14, 95% CI 4.90-21.01), ACC (aHR 2.97, 95% CI 1.27-6.96), and SNUC/SNEC (aHR 6.80, 95% CI 3.30-14.01) histologies and T3-4 categories (vs. T1-2, HR 4.79, 95% CI 1.53-14.95) had higher DM risk; T3-4 (aHR 2.33, 95% CI 1.37-3.97) and nodal involvement (aHR 1.70, 95% CI 1.11-2.60) conveyed higher LRF risk while SNUC/SNEC histologies had a lower LRF risk (aHR 0.51, 95% CI 0.26-3.33). CONCLUSIONS: Different SNC histology types exhibit distinct patterns of relapse and survival, highlighting the need for different management strategies.
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 ».