MétaCan
Menu
Retour à la cohorte
Enregistrement W2591334128 · doi:10.1200/jco.2016.34.7_suppl.93

Successful completion of EGFR/ALK testing in non-squamous non-small cell lung cancer (non-sq NSCLC) with the implementation of reflex testing (RT) by pathologists.

2016· article· en· W2591334128 sur OpenAlexaff
Ines B. Menjak, Zoe Winterton-Perks, Simon Raphael, Susanna Y. Cheng, Sunil Verma, Ryan L. Freedman, Nevkeet Toor, Joseph Perera, Matthew Anaka, Charles Victor, Parneet Cheema

Notice bibliographique

RevueJournal of Clinical Oncology · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensSunnybrook Health Science CentreNorth York General HospitalUniversity of TorontoHealth Sciences CentrePediatric Oncology Group
Organismes subventionnairesnon disponible
Mots-clésMedicineBiomarkerLung cancerOncologyInternal medicineStage (stratigraphy)AdenocarcinomaCancer

Résumé

récupéré en direct d'OpenAlex

93 Background: EGFR mutation and ALK rearrangement testing is standard in the management of advanced non-sq NSCLC patients (pts). Previously at our centre, EGFR/ALK biomarker testing was requested by medical oncologists (MO). In June 2013 we implemented biomarker RT, defined as pathologists requesting EGFR/ALK at time of diagnosis of non sq-NSCLC irrespective of stage. The objective of this study was to test the hypothesis that if pathologists requested biomarker testing, appropriate tissue would be preserved and selected for testing, which would improve success rates of biomarker testing. Methods: Retrospective review of advanced non-sq NSCLC pts seen by MO at Sunnybrook Odette Cancer Centre from March 2010 to April 2014. Pt and EGFR/ALK test characteristics were compared before and after RT using Chi-square tests of association. Time outcomes were compared using Mann-Whitney U tests. Results: Of the 310 pts included, median age was 68, 44% female, 47% Caucasian, 93% adenocarcinoma, 22% EGFR+, 1% ALK+ and 84% either presented with or developed stage IV. Samples tested for EGFR and ALK were respectively: 53%, 51% core biopsies; 25%, 32% surgical resections; 20%, 16% cytology. The number of biomarker tests across all stages increased with RT (EGFR 70% vs 95%, p < 0.001 / ALK 44% vs 83%, p < 0.001). RT improved the rate of successfully completed tests (EGFR 86% vs 96%, p = 0.04 / ALK 83% vs 97%, p = 0.04). The remainder of tests were unsuccessful due to inconclusive results (EGFR 9% vs 4%, p = 0.25 / ALK 7% vs 2%, p = 0.25), insufficient tissue (EGFR 3% vs 0%, p = 0.33 / ALK 10% vs 0%, p = 0.03) or cancellation due to appropriate tissue not being sent from holding lab to testing lab (EGFR 2% vs 0, p = NS / ALK 0% vs 2%, p = NS). From core biopsies, there was trend to improved success of EGFR testing with RT (82% vs 97%, p = 0.06) and significant improvement of ALK testing (82% vs 100%, p = 0.04), with no impact on success from cytology samples. Rebiopsy rate for biomarker testing was low in both cohorts. Turnaround time for EGFR testing decreased [19 days (IQR 15-25) vs 17 days (IQR 12-21), p = 0.02]; ALK was unchanged. Conclusions: Implementation of RT improved successful completion of EGFR/ALK testing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,221
Score d'incertitude au seuil0,476

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,451
Écart entre enseignants0,391 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207