103 articoli
L'oncologia rappresenta la branca della medicina dedicata allo studio e al trattamento del cancro, una malattia complessa che colpisce cellule e tessuti in tutto il corpo. Questo settore abbraccia la ricerca su nuove terapie, la diagnosi precoce e la comprensione di come i tumori si sviluppano e resistono ai farmaci, con l'obiettivo finale di migliorare la vita dei pazienti.
Su Gist.Science, selezioniamo e analizziamo sistematicamente ogni nuovo preprint pubblicato su medRxiv in questa categoria. Il nostro team trasforma questi studi scientifici originali in riassunti chiari e accessibili, affiancandoli a spiegazioni tecniche dettagliate per garantire che le scoperte più recenti siano comprese da tutti, indipendentemente dal background professionale.
Qui di seguito trovate la lista aggiornata dei contributi scientifici più recenti in oncologia, pronti per essere esplorati e compresi.
Questo studio dimostra che il log-odds dei linfonodi positivi (LODDs) supera i sistemi di stadiazione tradizionali nel predire la prognosi del carcinoma gastrico, fornendo un modello nomogrammatico affidabile per la valutazione individuale dei pazienti.
Questo studio dimostra che l'impatto prognostico dei macrofagi associati al tumore varia significativamente in base al tipo istologico, mostrando effetti protettivi nel melanoma, effetti neutri nell'adenocarcinoma polmonare e effetti dannosi nel carcinoma squamoso polmonare, sottolineando la necessità di strategie terapeutiche specifiche per il contesto tumorale.
Questo studio presenta un framework integrato che combina interpolazione empirica, modellazione logistica ottimizzata tramite dual annealing e ottimizzazione combinatoria tramite ThresholdXpert 1.0 per determinare punti di cut-off diagnostici ottimali, applicando con successo tale metodologia allo sviluppo di pannelli multimarcatori per la diagnosi dell'epatocarcinoma.
Questo studio dimostra che l'integrazione di un classificatore prognostico molecolare basato sull'espressione di 26 geni nel sistema di stadiazione TNM di nona edizione (creando il modello TNMEx) migliora significativamente la stratificazione del rischio e la precisione prognostica per l'adenocarcinoma polmonare rispetto ai sistemi TNM tradizionali.
Questo studio mappa per la prima volta la rete globale delle strutture di ricerca che conducono studi oncologici di fase III, evidenziando come la disponibilità di tali trial sia strettamente correlata al numero di istituzioni presenti e rivelando profonde disparità infrastrutturali tra i paesi ad alto reddito e le regioni in via di sviluppo.
Questo studio dimostra che la fusione di deep learning da TC, radiomica e profili immunologici del sangue periferico migliora significativamente l'accuratezza diagnostica del tumore al polmone nei pazienti sintomatici, raggiungendo un AUC di 0,81 rispetto agli approcci a singola modalità.
Applicando un nuovo approccio per quantificare la forma dell'albero evolutivo nella coorte TRACERx di carcinoma polmonare non a piccole cellule, questo studio dimostra che l'equilibrio dell'albero clonale è un robusto predittore della sopravvivenza libera da malattia che supera i precedenti indici evolutivi e suggerisce che l'uniformità della ramificazione sia più critica per gli esiti clinici rispetto all'eterogeneità intratumorale.
In uno studio retrospettivo monoinstituzionale su 57 pazienti con carcinoma mammario pT1-2N1, la radioterapia post-mastectomia (PMRT) non è stata associata a un miglioramento della sopravvivenza libera da recidiva o della sopravvivenza globale, suggerendo che gli esiti siano guidati principalmente dalla biologia tumorale, dal carico nodale e dalla terapia sistemica piuttosto che dalla PMRT.
Questo studio basato sul database SEER dimostra che, sebbene il trapianto di fegato garantisca un'eccellente sopravvivenza a lungo termine per il carcinoma epatocellulare allo stadio precoce, i suoi esiti per il colangiocarcinoma intraepatico allo stadio precoce sono significativamente inferiori, evidenziando la necessità di criteri di selezione distinti e di ulteriori ricerche molecolari per identificare potenziali sottogruppi di ICC che possano trarne beneficio.
Questo studio dimostra che i modelli di apprendimento automatico addestrati su dati della National Cancer Database e perfezionati con cartelle cliniche elettroniche del mondo reale mediante transfer learning e ottimizzazione delle soglie possono prevedere accuratamente la rapida ricaduta nelle pazienti con carcinoma mammario triplo negativo, offrendo uno strumento promettente per l'identificazione precoce e il miglioramento dell'assistenza clinica.