Pooled Analysis of the Prognostic and Predictive Effects of <i>TP53</i> Comutation Status Combined With <i>KRAS</i> or <i>EGFR</i> Mutation in Early-Stage Resected Non–Small-Cell Lung Cancer in Four Trials of Adjuvant Chemotherapy
Notice bibliographique
Résumé
Purpose Our previous work evaluated individual prognostic and predictive roles of TP53, KRAS, and EGFR in non-small-cell lung cancer (NSCLC). In this analysis, we explore the prognostic and predictive roles of TP53/KRAS and TP53/EGFR comutations in randomized trials of adjuvant chemotherapy versus observation. Patients and Methods Mutation analyses (wild-type [WT] and mutant) for TP53, KRAS, and EGFR were determined in blinded fashion in multiple laboratories. Primary and secondary end points of pooled analysis were overall survival and disease-free survival. We evaluated the role of TP53/KRAS comutation in all patients and in the adenocarcinoma subgroup as well as the TP53/EGFR comutation in adenocarcinoma only through a multivariable Cox proportional hazards model stratified by trial. Results Of 3,533 patients with NSCLC, 1,181 (557 deaths) and 404 (170 deaths) were used for TP53/KRAS and TP53/EGFR analyses. For TP53/KRAS mutation status, no prognostic effect was observed ( P = .61), whereas a borderline predictive effect ( P = .04) was observed with a deleterious effect of chemotherapy with TP53/KRAS comutations versus WT/WT (hazard ratio, 2.49 [95% CI, 1.10 to 5.64]; P = .03). TP53/EGFR comutation in adenocarcinoma was neither prognostic ( P = .83), nor significantly predictive ( P = .86). Similar results were observed for both groups for disease-free survival. Conclusion We could identify no prognostic effect of the KRAS or EGFR driver and TP53 tumor suppressor comutation. Our observation of a potential negative predictive effect of TP53/KRAS comutation requires validation.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».