Breast Cancer-Related Lymphedema: A Common Challenge among Nigerian Breast Cancer Survivors
Notice bibliographique
Résumé
<p>Background: Lymphedema is one of the most prevalent yet under-recognized complication of breast cancer treatment, with its prevalence largely unexplored in Nigeria and across much of sub-Saharan Africa. Methods: A cross-sectional study was conducted among breast cancer survivors at least 6 months post-mastectomy and axillary lymph node dissection. Lymphedema was diagnosed using multiple methods: patient-reported arm swelling, arm measurements (≥2 cm difference compared to the contralateral arm), a >10% difference in extracellular water (ECW) using bioimpedance analysis, and a lower threshold of 5% to capture subclinical lymphedema. Using patient report as the gold standard, the accuracy of the various diagnostic methods was assessed. The relationship between clinical variables and lymphedema was tested using univariate logistic regression analysis. Results: Fifty-one patients with a median age of 51 years and a median duration of 40 months post-surgery (10–62 months) were evaluated. The prevalence of lymphedema was 39.2% based on symptoms, 33% using arm measurements, 22.2% using bioimpedance analysis at a threshold of >10% difference in ECW, and 46.7% at a threshold of 5%. An ECW difference of >5% had the highest sensitivity (65%), while an ECW difference at 10% threshold had the best specificity (89%). Obesity was the only clinical variable associated with lymphedema in this cohort (p = 0.018). Conclusion: Breast cancer-related lymphedema (BCRL) appears common among Nigerian breast cancer patients. Its occurrence should be preempted, particularly in obese patients in whom preventive measures may be instituted. These findings highlight the potential value of incorporating BCRL awareness and management into breast cancer care in Nigeria. </p>
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) | 0,001 | 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) | 0,001 | 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 ».