Clinicogenetic risk models predict early progression of follicular lymphoma after first-line immunochemotherapy
Notice bibliographique
Résumé
Follicular lymphoma (FL) is a clinically and molecularly heterogeneous disease. Posttreatment surrogate end points, such as progression of disease within 24 months (POD24) are promising predictors for overall survival (OS) but are of limited clinical value, primarily because they cannot guide up-front treatment decisions. We used the clinical and molecular data from 2 independent cohorts of symptomatic patients in need of first-line immunochemotherapy (151 patients from a German Low-Grade Lymphoma Study Group [GLSG] trial and 107 patients from a population-based registry of the British Columbia Cancer Agency [BCCA]) to validate the predictive utility of POD24, and to evaluate the ability of pretreatment risk models to predict early treatment failure. POD24 occurred in 17% and 23% of evaluable GLSG and BCCA patients, with 5-year OS rates of 41% (vs 91% for those without POD24, P < .0001) and 26% (vs 86%, P < .0001), respectively. The m7-FL International Prognostic Index (m7-FLIPI), a prospective clinicogenetic risk model for failure-free survival, had the highest accuracy to predict POD24 (76% and 77%, respectively) with an odds ratio of 5.82 in GLSG (P = .00031) and 4.76 in BCCA patients (P = .0052). A clinicogenetic risk model specifically designed to predict POD24, the POD24-PI, had the highest sensitivity to predict POD24, but at the expense of a lower specificity. In conclusion, the m7-FLIPI prospectively identifies the smallest subgroup of patients (28% and 22%, respectively) at highest risk of early failure of first-line immunochemotherapy and death, including patients not fulfilling the POD24 criteria, and should be evaluated in prospective trials of precision medicine approaches in FL.
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) | 0,000 | 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 ».