Development of prediction tools for diarrhea and rash in breast cancer patients receiving lapatinib in combination with capecitabine
Notice bibliographique
Résumé
Lapatinib and capecitabine (L-CAP) is effective in HER-2 positive patients with metastatic breast cancer (MBC). However, moderate to severe diarrhea and rash (≥ grade 2) are problematic dose limiting toxicities. Since risk may vary over the course of therapy, we developed repeated measures models to predict the risk of ≥ grade 2 diarrhea and rash prior to each cycle of L-CAP. Data from 197 patients who received the L-CAP as part of a clinical trial were reviewed (Cameron, Breast Cancer Res Treat 112:533-543, 2008). Generalized estimating equations were used to develop the risk models using a backward elimination process. Risk scoring algorithms were then derived from the final model coefficients. Finally, a receiver operating characteristic curve (ROC) analysis was undertaken to measure the predictive accuracy of the scoring algorithms. Patient age, presence of skin metastases at baseline, treatment being initiated in the spring, earlier cycles, and grade I diarrhea in the prior cycle were identified as being significant predictors for ≥ grade 2 diarrhea. The ROC analysis indicated good predictive accuracy for the diarrhea algorithm with an area under the curve of 0.78 (95 %CI: 0.72-0.82). Prior to each cycle of therapy, patients with risk scores > 125 units would be considered at high risk for developing ≥ grade 2 diarrhea. A similar prediction index was also derived in the case of ≥ grade 2 rash. Our models provide patient-specific risk information that could be helpful in assessing the risks and benefits of L-CAP in the MBC patients.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».