Relative Abundance of <i>EGFR</i> Mutations Predicts Benefit From Gefitinib Treatment for Advanced Non–Small-Cell Lung Cancer
Notice bibliographique
Résumé
PURPOSE: Our aim was to determine whether abundance of epidermal growth factor receptor (EGFR) mutations in tumors predicts benefit from treatment with EGFR-tyrosine kinase inhibitors (TKIs) for advanced non-small-cell lung cancer (NSCLC). PATIENTS AND METHODS: We detected EGFR mutations in 100 lung cancer samples using direct DNA sequencing and amplification refractory mutation system (ARMS). Mutation-positive tumors by both methods carried high abundance of EGFR mutations. Tumors that were mutation positive by ARMS but mutation negative by direct DNA sequencing harbored low abundance of EGFR mutations. Mutation-negative tumors by both methods carried wild-type EGFR. All patients received gefitinib treatment. The correlation between EGFR mutation abundance and clinical benefit from gefitinib treatment was analyzed. RESULTS: Of 100 samples, 51 and 18 harbored high and low abundances of EGFR mutations, respectively; 31 carried wild-type EGFR. Median progression-free survival (PFS) was 11.3 (95% CI, 7.4 to 15.2) and 6.9 months (95% CI, 5.5 to 8.4) in patients with high and low abundances of EGFR mutations, respectively (P = .014). Median PFS of patients with low abundance of EGFR mutations was significantly longer than that of those with wild-type tumors (2.1 months; 95% CI, 1.0 to 3.2; P = .010). Objective response rates (ORRs) were 62.7%, 44.4%, and 16.1%, and overall survival (OS) rates were 15.9 (95% CI, 13.4 to 18.3), 10.9 (95% CI, 2.7 to 19.1), and 8.7 months (95% CI, 4.6 to 12.7) for patients with high abundance of EGFR mutations, low abundance of EGFR mutations, and wild-type EGFR, respectively. The difference between patients with high and low abundances of EGFR mutations was not significant regarding ORR and OS. CONCLUSION: The relative EGFR mutation abundance could predict benefit from EGFR-TKI treatment for advanced NSCLC.
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 | 0,001 | 0,002 |
| 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) | 0,001 | 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 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 ».