2023最新10分以上純seer數據庫文章發布情況及內容

介紹一下近期發表的10分以上的純SEER數據庫SCI文章。

第一篇是美國麻省總醫院4月28日發表的一篇純SEER數據庫使用競爭風險方法的文章,IF達到了驚人的15.475

這篇文章關于治療Merkel細胞癌(MCC)的研究,主要比較了采用廣泛切除術(WLE)和Mohs顯微鏡手術(MMS)兩種手術方式對MCC患者的整體生存率和MCC特異性生存率的影響。文章使用了SEER-18數據庫中1989年至2015年間的數據,共包括2,359名美國成年MCC患者。

研究結果顯示,在臨床和病理節點陰性的MCC患者中,采用WLE和MMS兩種手術方式的整體生存率和MCC特異性生存率沒有顯著差異。但是,研究發現前哨淋巴結活檢(SLNB)與患者的整體生存率和MCC特異性生存率有關聯,即SLNB對于MCC患者的預后具有積極的影響。

總之,該研究表明在臨床和病理節點陰性的MCC患者中,WLE和MMS手術方式的整體生存率和MCC特異性生存率相似,但是SLNB可能對MCC患者的生存率具有積極的影響。

------------------------------

第二篇是來自華中科技大學同濟醫學院的胃腸研究團隊的使用PSM方法的純SEER數據研究,發表日期為5月4日,影響因子為13.40,一區雜志。


這篇研究旨在評估手術治療對胃腸胰神經內分泌腫瘤(GEP-NETs)患者的影響。研究使用了基于美國國家癌癥研究所(Surveillance, Epidemiology, and End Results,SEER)數據庫的傾向性匹配分析(PSM)來評估手術治療在GEP-NETs患者中的有效性。

研究結果顯示,共有7,515名于2004年至2015年被診斷為GEP-NETs的患者被納入了SEER數據庫的評估。手術組共有1,483名患者,非手術組共有6,032名患者。與手術組相比,非手術組患者更傾向于接受化療(50.8% vs. 16.7%)和放療(12.9% vs. 3.7%)作為治療選擇。多元Cox回歸分析顯示,接受手術治療的GEP-NETs患者具有更高的總生存率(OS)結果(風險比(HR)=0.483,95% CI=0.439-0.533,P <0.001)。

然后,為減少偏差的影響,對這兩組患者進行了1:1的PSM分析。共評估了1,760名患者,每個亞組包括880名患者。在匹配的人群中,患者表現出能夠明顯從手術中獲益(HR = 0.455,95% CI = 0.439-0.533,P <0.001)。已接受手術治療的放療或化療患者的OS結果優于未接受手術治療的患者(P <0.001)。此外,發現直腸和小腸手術后患者的OS并沒有顯著差異,而結腸、胰腺和胃手術后患者的OS存在顯著差異。直腸和小腸手術后的患者表現出更好的治療效果。

綜上所述,GEP-NETs患者接受手術治療具有更好的OS結果。因此,建議對特定選定的轉移性GEP-NETs患者進行手術治療。

--------------------------

第三篇是來自武漢人民醫院團隊的PSM+sIPT+lasso的純SEER數據研究,發表日期為4月4日,影響因子為13.40,一區雜志。

該研究驗證了內鏡治療對T1b食管癌患者長期生存結果的有效性,并建立一個預測預后的模型。研究使用了Surveillance,Epidemiology和End Results(SEER)數據庫,分析了2004年至2017年期間T1bN0M0食管癌患者的癌癥特異性生存和總生存率,比較了內鏡治療組、食管切除組和化療放療組之間的生存情況。采用穩定反向概率治療加權法(sIPTW)作為主要分析方法,借助傾向性評分匹配法(PSM)和我們醫院的獨立數據集作為敏感性分析。使用最小絕對收縮和選擇算子回歸(Lasso)篩選變量,建立了預后模型,并在兩個外部驗證集中進行驗證。結果顯示,經過sIPTW調整后,內鏡治療組和食管切除組的CSS和OS相似(P = 0.32,P = 0.83),而化療放療患者的CSS和OS較內鏡治療患者差(P <0.01,P <0.01)。年齡、組織學、分級、腫瘤大小和治療被選中用于建立預測模型。驗證集1的1、3和5年的AUC分別為0.631、0.618和0.638,驗證集2的AUC分別為0.733、0.683和0.768。校準曲線也證明了在兩個外部驗證隊列中預測值和實際值的一致性。因此,對于T1b食管癌患者,內鏡治療可達到與食管切除術相當的長期生存結果,預后模型可以很好地計算T1b食管癌患者的總生存率。

——————————————————————————

在人工智能+大數據的時代背景下,腫瘤臨床數據研究領域SEER數據占據極其重要的位置,目前唯有SEER數據庫可以讓研究者快速獲取和使用臨床腫瘤學的研究數據,從而發表自己的研究論文。

推薦學習:SEER數據庫基礎+6篇SCI論文從零復現實戰全流程,完整的從原始數據下載開始的教學,帶領學員手寫代碼,流程清晰易懂,覆蓋90%論文所涉及的分析方法學。

包括

數據下載+數據過濾+數據編碼| COX回歸分析+KM+NOMOGRAM+時間以來生存ROC| LASSO+機器學習生存 | PSM傾向匹配評分方法 | 競爭風險方向+累積發生率| SEER數據庫第二原發腫瘤的處理方式等十幾種SEER臨床數據的數據處理方式的詳細教學

目的是幫助學員做到舉一反三,將SEER數據庫數據應用到自己研究的領域中,從而快速發表自己的SCI論文。


咨詢:


?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容