Nomogram to predict the presence of<i>EGFR</i>activating mutation in lung adenocarcinoma
Notice bibliographique
Résumé
Epidermal growth factor receptor (EGFR) tumour genotyping is crucial to guide treatment decisions regarding the use of EGFR tyrosine kinase inhibitors in nonsmall cell lung cancer (NSCLC). However, some patients may not be able to obtain tumour testing, either because tissue is limited and/or tests are not routinely offered. Here, we aimed to build a model-based nomogram to allow for prediction of the presence of EGFR mutations in NSCLC. We retrospectively collected clinical and pathological data on 3,006 patients with NSCLC who had their tumours genotyped for EGFR mutations at five institutions worldwide. Variables of interest were integrated in a multivariate logistic regression model. In the 2,392 non-Asian patients with lung adenocarcinomas, the most important predictors of harbouring EGFR mutation were: lower tobacco smoking exposure (OR 0.41, 95% CI 0.37-0.46), longer time interval between smoking cessation and diagnosis (OR 2.19, 95% CI 1.71-2.80), advanced stage (OR 1.58, 95% CI 1.18-2.13), and papillary (OR 4.57, 95% CI 3.14-6.66) or bronchioloalveolar (OR 2.84, 95% CI 1.98-4.06) histologically predominant subtype. A nomogram was established and showed excellent discriminating accuracy: the concordance index on an independent validation dataset was 0.84. As clinical practices transition to incorporating genotyping as part of routine care, this nomogram could be highly useful to predict the presence of EGFR mutations in lung adenocarcinoma in non-Asian patients when mutational profiling is not available or possible.
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 | 0,001 | 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 ».