Do type 1 receptor tyrosine kinases inform treatment choice? A prospectively planned analysis of the TEAM trial
Notice bibliographique
Résumé
BACKGROUND: Epidermal growth factor receptors contribute to breast cancer relapse during endocrine therapy. Substitution of aromatase inhibitors (AIs) may improve outcomes in HER-positive cancers. METHODS: Tissue microarrays were constructed. Quantitative analysis of HER1, HER2, and HER3 was performed. Data were analysed relative to disease-free survival and treatment using outcomes at 2.75 and 6.5 years. RESULTS: Among 4541 eligible samples, 4225 (93%) had complete HER1-3 data. Overall, 5% were HER1-positive, 13% HER2-positive, and 21% HER3-positive; 32% (n=1351) overexpressed at least one HER receptor. In the HER1-3-negative subgroup, the hazard ratio (HR) for upfront exemestane vs tamoxifen at 2.75 years was 0.67 (95% confidence interval (CI), 0.52-0.87), in the HER1-3-positive subgroup, the HR was 1.15 (95% CI, 0.85-1.56). A prospectively planned treatment-by-marker analysis demonstrated a significant interaction between HER1-3 and treatment at 2.75 years (HR=0.58; 95% CI, 0.39-0.87; P=0.008), as confirmed by multivariate regression analysis adjusting for prognostic factors (HR=0.55; 95% CI, 0.36-0.85; P=0.005). This effect was time dependent. CONCLUSION: In the 2.75 years prior to switching patients initially treated with tamoxifen to exemestane, a significant treatment-by-marker effect exists between AI/tamoxifen treatment and HER1-3 expression, suggesting HER expression could be used to select appropriate endocrine treatment at diagnosis to prevent or delay early relapses.
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 | 0,011 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».