SURG-15. INTEGRATING MOLECULAR MARKERS AND EXTENT OF RESECTION FOR RISK STRATIFICATION OF PATIENTS WITH NEWLY-DIAGNOSED GLIOBLASTOMA: A MULTICENTRE STUDY
Notice bibliographique
Résumé
Multiple studies have shown that extent of surgical resection (EoR) is an independent prognostic factor for patients with newly-diagnosed glioblastoma. Previous work has proposed the inclusion of EoR in a risk stratification algorithm but does not incorporate recent advances in the molecular characterization of tumors. To develop an integrative risk stratification scheme that incorporates clinically relevant molecular data and EoR with classic prognostic variables to individualize prognosis and guide treatment and research. We reviewed all consecutive cases of confirmed newly-diagnosed glioblastoma who were operated upon between January 1, 2012 and December 31, 2014 at two tertiary academic centres. Variables including age, sex, KPS, tumour location, presenting symptoms, treatment history, dates of progression and reoperation, as well as MGMT promoter methylation (MGMT-M), IDH, 1p/19q codeletion, and ATRX status were recorded. Computer-assisted volumetric analysis of pre- and post-operative MRIs allowed calculation of pre-operative tumour burden, residual disease, and %EoR. Preliminary results from review of 63 out of 297 cases diagnosed during the study period showed patients with EoR ≥ 95% and positive MGMT-M had the longest median overall survival (23.7 months), but the benefit of MGMT-M was not seen at lower EoR. The combination of MGMT-M and EoR ≥ 95% is synergistic in improving patient survival, possibly reflecting the improved efficacy of chemotherapy at lower residual tumour volumes. Review of remaining cases and recursive partitioning analysis(RPA) are pending, and will allow development of an integrative risk stratification algorithm.
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 | 0,001 |
| 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 ».