MétaCan
Menu
Retour à la cohorte
Enregistrement W1679330090 · doi:10.1158/1538-7445.sabcs14-p6-09-07

Abstract P6-09-07: The development of a prediction tool for moderate to severe diarrhea in HER-2/hormone positive metastatic breast cancer (MBC) patients receiving lapatinib in combination with letrozole (L-L)

2015· article· en· W1679330090 sur OpenAlexaff
George Dranitsaris, Mario E Locouture

Notice bibliographique

RevueCancer Research · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueHER2/EGFR in Cancer Research
Établissements canadiensAugmentium Pharma Consulting (Canada)
Organismes subventionnairesnon disponible
Mots-clésMedicineLapatinibLetrozoleDiarrheaDiscontinuationInternal medicineGeeMetastatic breast cancerReceiver operating characteristicCancerOncologyBreast cancerGeneralized estimating equationStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract Background: For patients with HER-2/hormone positive MBC, the addition of lapatinib to letrozole is associated improvements in tumour response rates and a prolongation of progression free survival. However, moderate to severe diarrhea (≥ grade 2) is a potentially serious toxicity which can lead to dose reductions, delays, hospitalizations and even the premature discontinuation of treatment. Patient care could substantially be improved if these diarrhea events could be accurately predicted through the use of validated and easy-to-use mathematical models. In this study, the development of a repeated measures model to predict the risk of ≥ grade 2 diarrhea prior to each month of L-L therapy is described. Methods Data from 111 patients who received the L-L combination as part of a clinical trial were reviewed [Johnston, 2009]. Generalized estimating equations (GEE) were used to develop the final risk model using a backwards elimination process. Internal validation of the final regression coefficients was done using nonparametric bootstrapping. A risk scoring algorithm (range 0-250) was then derived from the final model coefficients. A receiver operating characteristic curve (ROC) analysis was then undertaken to measure the predictive accuracy of the final scoring algorithm. Results: Presence of skin and lung metastases at baseline, cumulative lapatinib dose and Hg level (nadir) were identified as being important predictors for ≥ grade 2 diarrhea. There was also a negative association between time on therapy and risk of diarrhea where a higher frequency was observed in the first few months. The ROC analysis indicated good predictive accuracy with an area under the curve of 0.80 (95%CI: 0.72 – 0.88). Prior to each new month of therapy, patients with risk scores > 125 units would be considered at high risk for developing ≥ grade 2 diarrhea. Conclusions: Risk of ≥ grade 2 diarrhea is associated with cumulative lapatinib exposure, disease related factors as well as Hg level. The planned external validation and eventual clinical application of this prediction tool will be an important source of risk information for the practicing oncologist and can enhance patient care by optimizing preventative therapies earlier in a proactive manner. Citation Format: George Dranitsaris, Mario E Locouture. The development of a prediction tool for moderate to severe diarrhea in HER-2/hormone positive metastatic breast cancer (MBC) patients receiving lapatinib in combination with letrozole (L-L) [abstract]. In: Proceedings of the Thirty-Seventh Annual CTRC-AACR San Antonio Breast Cancer Symposium: 2014 Dec 9-13; San Antonio, TX. Philadelphia (PA): AACR; Cancer Res 2015;75(9 Suppl):Abstract nr P6-09-07.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,015
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,093
Tête enseignante GPT0,407
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer ResearchMême sujetHER2/EGFR in Cancer ResearchTravaux en français237 207