Prediction of recurrence-free survival using a protein expression-based risk classifier for head and neck cancer
Notice bibliographique
Résumé
Loco-regional recurrence in 50% of oral squamous cell carcinoma (OSCC) patients poses major challenge for oncologists. Lack of biomarkers that can predict disease aggressiveness and recurrence risk makes the scenario more dismal. On the basis of our earlier global proteomic analyses we identified five differentially expressed proteins in OSCC. This study aimed to develop protein biomarkers-based prognostic risk prediction model for OSCC. Sub-cellular expression of five proteins, S100A7, heterogeneous nuclear ribonucleoproteinK (hnRNPK), prothymosin α (PTMA), 14-3-3ζ and 14-3-3σ was analyzed by immunohistochemistry in test set (282 Indian OSCCs and 209 normal tissues), correlated with clinic-pathological parameters and clinical outcome over 12 years to develop a risk model for prediction of recurrence-free survival. This risk classifier was externally validated in 135 Canadian OSCC and 96 normal tissues. Biomarker signature score based on PTMA, S100A7 and hnRNPK was associated with recurrence free survival of OSCC patients (hazard ratio=1.11; 95% confidence interval 1.08, 1.13, P<0.001, optimism-corrected c-statistic=0.69) independent of clinical parameters. Biomarker signature score stratified OSCC patients into high- and low-risk groups with significant difference for disease recurrence. The high-risk group had median survival 14 months, and 3-year survival rate of 30%, whereas low-risk group survival probability did not reach 50%, and had 3-year survival rate of 71%. As a powerful predictor of 3-year recurrence-free survival in OSCC patients, the newly developed biomarkers panel risk classifier will facilitate patient counseling for personalized treatment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».