Renal Cell Carcinoma: Prognosis in the Era of Targeted Therapy
Notice bibliographique
Résumé
Background: Significant changes in renal cell carcinoma (RCC) drug treatment and improved access to abdominal imaging have recently been implemented. The impact of these changes on patient characteristics and prognosis remains to be quantified. Methods: A population-based cohort of 210,418 RCC cases from the Centre for Cancer Registry Data (ZfKD) diagnosed in Germany between 2000 and 2019 was analyzed in this observational study. Three time periods of diagnosis were defined, the first (2000–2005) functioning as a control. The remaining were defined according to the introduction of tyrosine kinase targeting drugs (2006–2014) and checkpoint inhibitor drugs (2015–2019). Five-year relative survival (RS) trends for each risk group and metastatic RCC (mRCC) were determined using Poisson regression models. Results: Age at diagnosis and the proportion of low-risk disease increased, while the proportion of mRCC decreased (p < 0.0001). RS improved slightly between the first and last period in low (5-year RS 98.7% vs. 100.9%), intermediate (89.2% vs. 91.9%), and high-risk (76.6% vs. 80.3%), as well as mRCC (28.3% vs. 29.1%). The overall change in prognosis was significant in low (p = 0.0233) and high-risk groups (p = 0.0002), but not in intermediate-risk and mRCC groups. In a multivariate analysis, high-risk ccRCC patients appear to profit from drug treatment advances. Conclusions: Earlier detection has improved prognosis for the majority of RCC patients. Further efforts should be aimed at diagnosing more mRCC patients earlier, when surgical tumor removal remains feasible.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».