Multiple Single-Nucleotide Polymorphism–Based Risk Model for Clinical Outcomes After Allogeneic Stem-Cell Transplantation, Especially for Acute Graft-Versus-Host Disease
Notice bibliographique
Résumé
BACKGROUND: We aimed to develop multiple single-nucleotide polymorphism (SNP)-based risk models associated with the risk of transplant outcomes including graft-versus-host disease (GVHD). METHODS: The study evaluated 259 SNPs in 53 genes in 394 pairs of donors and recipients. In a discovery set (n=307 receiving related donor transplantation), overall survival, relapse-free survival (RFS), nonrelapse mortality, and acute or chronic GVHD were evaluated. RESULTS: Eight recipients' SNPs of IL2, IL6R, FAS, EDN1, TGFB1, and NFKBIA genes and 12 donors' SNPs of NOS1, IL1B, TGFB2, NOD2/CARD15, TNFRII, IL1R1, and FCGR2A genes were identified in univariate analyses. Risk models were generated using significant clinical variables and genetic SNP markers after filtering out through multivariate analyses. Then, we divided patients into four quartiles (25%, Q) according to their risks. The final models stratified patients into low-risk (Q1), moderate-risk (Q2, Q3), and high-risk (Q4) groups in terms of overall survival (P<0.0001), RFS (P<0.0001), nonrelapse mortality (P=0.0043), and acute GVHD (P<0.0001), but not for chronic GVHD (P=0.763). External validation was performed in 87 transplant pairs that received matched unrelated donor transplantation, especially for RFS (P=0.016) and acute GVHD (P=0.027). CONCLUSION: Risk models can improve prognostic stratification of patients according to their risk for transplant outcome.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».