INCIDENCE AND PREDICTORS OF POST-TRANSPLANT MALIGNANCY IN LIVER TRANSPLANT RECIPIENTS: A SINGLE-CENTRE COHORT STUDY
Notice bibliographique
Résumé
Cancer is a major long-term complication after liver transplantation (LT). We aimed to characterize its incidence and risk factors in LT recipients at a Canadian center. Retrospective cohort of patients who underwent LT from 2007–2018, with at least 60 months of follow-up. Demographic, clinical, and oncologic data were analyzed using Cox regression. We included 575 LT recipients (30% women, median age 53.6 years). Main etiologies were ALD (22.9%), HCV (20.8%), MASLD (13.3%), and PSC (11.1%). HCC was present at LT in 25.7%. During follow-up, 55 patients (9.7%) developed cancer, most commonly non-melanoma skin cancer (3.5% of all recipients), followed by head and neck tumors (1.0%), PTLD (0.9%), gastrointestinal cancers (0.9%), and neuroendocrine tumors (0.7%). Mean time to cancer diagnosis was 27.3±19.1 months. Additionally, 20 patients (3.4%) developed post-LT HCC, with 90% being recurrences. Cancer types differed by underlying etiology (p=0.004): non-melanoma skin cancers predominated in SLD and viral hepatitis, while GI cancers were most common in autoimmune liver disease. Among those with prior HCC, 16.8% developed a non-HCC cancer, mostly skin cancer. In multivariate analysis, pre-LT HCC was independently associated with post-LT non-HCC cancer (HR 2.66; 95% CI 1.39–5.07; p=0.003), while age, gender, alcohol or tobacco use, and liver disease etiology were not. Cancer occurred in nearly 10% of LT recipients, mostly within three years. A history of HCC at LT tripled the risk of subsequent non-HCC cancer, highlighting the importance of targeted cancer surveillance in this high-risk population.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».