Personalized risk prediction for event‐free survival at 24 months in patients with diffuse large B‐cell lymphoma
Notice bibliographique
Résumé
We recently defined event-free survival at 24 months (EFS24) as a clinically relevant outcome for patients with DLBCL. Patients who fail EFS24 have very poor overall survival, while those who achieve EFS24 have a subsequent overall survival equivalent to that of the age- and sex-matched general population. Here, we develop and validate a clinical risk calculator (IPI24) for EFS24. Model building was performed on a discovery dataset of 1,348 patients with DLBCL and treated with anthracycline-based immunochemotherapy. A multivariable model containing age, Ann Arbor stage, normalized serum LDH, ALC, ECOG performance status, bulky disease, and sex was identified. The model was then applied to an independent validation dataset of 1,177 DLBCL patients. The IPI24 score estimates the probability of failing to achieve the EFS24 endpoint for an individual patient. The IPI24 model showed superior discriminatory ability (c-statistic = 0.671) in the validation dataset compared to the IPI (c-statistic = 0.649) or the NCCN-IPI (c-statistic = 0.657). After recalibration of the model on the combined dataset, the median predicted probability of failing to achieve EFS24 was 36% (range, 12-88%), and the IPI24 showed an EFS24 gradient in all IPI groups. The IPI24 also identified a significant percentage of patients with high risk disease, with over 20% of patients having a 50% or higher risk of failing to achieve EFS24. The IPI24 provides an individual patient level probability of achieving the clinically relevant EFS24 endpoint. It can be used via electronic apps.
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) | 0,001 | 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 ».