MétaCan
Menu
Retour à la cohorte
Enregistrement W2621632916 · doi:10.1002/hon.2437_86

HIGHER MUTATIONAL BURDEN BUT DOES NOT IMPACT TREATMENT EFFICACY IN FOLLICULAR LYMPHOMA

2017· article· en· W2621632916 sur OpenAlexaff
Stefan Alig, Vindi Jurinović, Martin Dreyling, Alessandro Pastore, Robert Kridel, Randy D. Gascoyne, Wolfgang Hiddemann, Michael Unterhalt, Eva Hoster, Oliver Weigert

Notice bibliographique

RevueHematological Oncology · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueLymphoma Diagnosis and Treatment
Établissements canadiensBC Cancer AgencyPrincess Margaret Cancer CentreUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMedicineInternal medicineFollicular lymphomaProportional hazards modelOncologyCohortGastroenterologyLymphomaSurgery

Résumé

récupéré en direct d'OpenAlex

Introduction: Higher age is associated with shorter overall survival (OS) in patients (pts) with follicular lymphoma (FL), and age > 60 years is a component of the FL International Prognostic Index (FLIPI). However, it is unclear whether higher age directly impacts disease biology or treatment efficacy in FL. Methods: We analyzed 755 pts from the GLSG2000 trial who received R-CHOP for symptomatic, advanced stage FL. Pts who received consolidative autologous stem cell transplantation were censored at time of transplant. Progression of disease (POD) included progressive, relapsed or refractory disease (<PR). Failure-free survival (FFS) events consisted of POD or death. OS and FFS were calculated from treatment initiation. We used Kaplan-Meier curves and Cox proportional hazards regression for survival analyses. We performed competing risk analysis using cumulative incidences of POD and death without prior POD. DNA sequencing data from diagnostic FL biopsies were available from 151 R-CHOP treated pts, and another 107 pts from BCCA who received R-CVP for symptomatic advanced FL. We analyzed mutations in the coding regions of 74 targeted genes. Results: We categorized GLSG2000 pts into 5 distinct age groups: 65 pts (9%) were 18-40 years (yrs), 163 (22%) >40-50 yrs, 261 (35%) >50-60 yrs, 208 (28%) >60-70 yrs, and 58 (8%) >70 yrs. 5-year OS rates were 97%, 91%, 90%, 85%, and 53% (Figure A); 5-year FFS rates were 82%, 62%, 63%, 55%, and 42% (Figure B), respectively. We used the cohort >50-60 yrs as a reference. Older pts had inferior OS (>60-70 yrs: HR 1.90, 95%-CI [1.15; 3.13], p = 0.012; >70 yrs: HR 7.31, 95%-CI [4.25; 12.59], p < 0.0001). Significantly inferior FFS was only seen in pts >70 yrs (HR 2.17, 95%-CI [1.45; 3.25], p = 0.00016). Competing risk analysis revealed that inferior FFS of pts >70 yrs did not result from increased POD (HR 1.20, 95%-CI [0.75; 1.91], p = 0.45), but from higher incidence of death without prior POD (HR 24.81, 95%-CI [5.38; 114.44], p < 0.0001; Figure C). Sequencing data of diagnostic FL biopsies from 258 pts showed that the number of gene mutations increased with age (RR 1.14/decade, 95%-CI [1.09; 1.20], p < 0.0001). This increase was however caused by silent mutations and mutations predicted to have low functional impact (each p < 0.0001), whereas disruptive mutations or mutations predicted to have high functional impact did not significantly increase with age (p = 0.27 and p = 0.16, respectively). Similarly, the number of mutated genes increased with age (RR 1.12/decade, 95%-CI [1.07; 1.18], p < 0.0001), but the fraction of significantly mutated genes (by MutSigCV) decreased from 89% (range 40-100%) in young adults (18-40 yrs) to 74% (range 0-100%, p = 0.01) in the oldest cohort (>70 yrs). No single gene mutation was found to be associated with older age after correction for multiple testing. Keywords: follicular lymphoma (FL); molecular genetics; R-CHOP.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,194
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,052
Tête enseignante GPT0,379
Écart entre enseignants0,327 · 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.

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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHematological OncologyMême sujetLymphoma Diagnosis and TreatmentTravaux en français237 207