Clinical impact of mutation fraction in epidermal growth factor receptor mutation positive NSCLC patients
Notice bibliographique
Résumé
BACKGROUND: We examined clinical outcomes in a population-based cohort of EGFR mutant advanced NSCLC patients, exploring the potential role of factors including tumour EGFR mutation fraction and cellularity in predicting outcomes. METHODS: A cohort of patients with EGFR mutant advanced NSCLC was identified (N =2 93); clinical outcomes, pathologic and treatment details were collected. Tumour response was determined from radiology and clinical notes. Association between demographic and pathologic variables EGFR TKI response, time to treatment failure (TTF) and overall survival (OS) was examined using logistic regression and proportional hazards regression. EGFR TKI response rates were summarised by percent mutation fraction to explore their association. RESULTS: Higher mutation fraction was associated with greater EGFR TKI response rate (odds ratio 1.58, 95% CI = 1.21-2.07, P = 0.0008), longer TTF (hazard ratio 0.80, 95% CI = 0.68-0.92, P = 0.003) and better OS (hazard ratio 0.81, 95% CI = 0.67-0.99, P = 0.04). However, even in patients with ⩽ 5% mutation fraction, response rate was 34%. Females had longer TTF (P = 0.02). CONCLUSIONS: EGFR mutation fraction in tumour samples was significantly associated with response, TTF and OS. Despite this, no lower level of mutation fraction was detected for which EGFR TKI should be withheld in those with activating EGFR mutations.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 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 ».