Preoperative<i>GNAS</i>and<i>KRAS</i>Testing in the Diagnosis of Pancreatic Mucinous Cysts
Notice bibliographique
Résumé
PURPOSE: Management guidelines for pancreatic intraductal papillary mucinous neoplasms (IPMN) and mucinous cystic neoplasms (MCN) are based on the assumption that mucinous cysts can be accurately distinguished from other pancreatic cystic lesions. Previous studies using surgical material have identified recurrent mutations in GNAS and KRAS in pancreatic mucinous neoplasms. Yet, the diagnostic utility of testing for both genes in pancreatic cyst fluid obtained by endoscopic ultrasound-fine-needle aspiration (EUS-FNA) remains unclear. EXPERIMENTAL DESIGN: GNAS and KRAS testing was performed on EUS-FNA pancreatic cyst fluid from 91 pancreatic cysts: 41 IPMNs, 9 IPMNs with adenocarcinoma, 16 MCNs, 10 cystic pancreatic neuroendocrine tumors (PanNET), 9 serous cystadenomas (SCA), 3 retention cysts, 2 pseudocysts, and 1 lymphoepithelial cyst. RESULTS: Mutations in GNAS were detected in 16 (39%) IPMNs and 2 (22%) IPMNs with adenocarcinoma. KRAS mutations were identified in 28 (68%) IPMNs, 7 (78%) IPMNs with adenocarcinoma, and 1 (6%) MCN. Mutations in either gene were present in 34 (83%) IPMNs, 8 (89%) IPMNs with adenocarcinoma, and 1 (6%) MCN. No mutations were found in cystic PanNETs, SCAs, retention cysts, pseudocysts, and a lymphoepithelial cyst. GNAS and KRAS mutations had 100% specificity [95% confidence interval (CI), 0.83-1.00] but 65% sensitivity (95% CI, 0.52-0.76) for mucinous differentiation. Among IPMNs, mutations in either gene had 98% specificity (95% CI, 0.86-1.00) and 84% sensitivity (95% CI, 0.70-0.92). CONCLUSIONS: The combination of GNAS and KRAS testing was highly specific and sensitive for IPMNs; however, the lack of sensitivity for MCNs highlights the need for additional markers to improve the detection of pancreatic mucinous neoplasms.
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 | 0,012 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».