Genomic aberrations and immunohistochemical markers as prognostic indicators in multiple myeloma
Notice bibliographique
Résumé
As patients with multiple myeloma (MM) have a variable clinical course, predictive markers would help determine the appropriate treatment strategy. Clinical staging is commonly used to predict outcome, but tumour marker expression and the underlying genetic changes are increasingly used to assess the biological aggressiveness of the disease. Recent studies have demonstrated the utility of immunohistochemistry in detecting prognostic markers, including fibroblast growth factor receptor 3, cyclin D1, c-maf and p53, which have been associated with various genetic aberrations, including t(4;14), t(11;14), t(14;16) and del(17p). While t(4;14), t(14;16) and del (17p) have been documented to confer a poor prognosis, t(11;14) appears to be a neutral or even favourable factor in some studies. CD56, CD33, CD20 and CXCR4 are promising surface markers due to their roles in MM progression, but further studies of larger cohorts are necessary to assess their prognostic relevance. In this review, the biological function and clinical relevance of the main prognostic markers in MM is discussed, and also the role of immunohistochemistry in the stratification of patients into appropriate risk categories.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».