Impact of multi-gene mutational profiling on clinical trial outcomes in metastatic breast cancer
Notice bibliographique
Résumé
PURPOSE: Next-generation sequencing (NGS) has identified recurrent genomic alterations in metastatic breast cancer (MBC); however, the clinical utility of incorporating routine sequencing to guide treatment decisions in this setting is unclear. We examine the frequency of genomic alterations in MBC patients from academic and community hospitals and correlate with clinical outcomes. METHODS: MBC patients with good performance status were prospectively recruited at the Princess Margaret Cancer Centre (PM) in Canada. Molecular profiling on DNA extracted from FFPE archival tissues was performed on the Sequenom MassArray platform or the TruSeq Amplicon Cancer Panel (TSACP) on the MiSeq platform. Clinical trial outcomes by RECIST 1.1 and time on treatment were reviewed retrospectively. RESULTS: From January 2012 to November 2015, 483 MBC patients were enrolled and 440 were genotyped. At least one somatic mutation was identified in 46% of patients, most commonly in PIK3CA (28%) or TP53 (13%). Of 203 patients with ≥ 1 mutation(s), 15% were treated on genotype-matched and 9% on non-matched trials. There was no significant difference for median time on treatment for patients treated on matched vs. non-matched therapies (3.6 vs. 3.8 months; p = 0.89). CONCLUSIONS: This study provides real-world outcomes on hotspot genotyping and small targeted panel sequencing of MBC patients from academic and community settings. Few patients were matched to clinical trials with targeted therapies. More comprehensive profiling and improved access to clinical trials may increase therapeutic options for patients with actionable mutations. Further studies are needed to evaluate if this approach leads to improved clinical outcomes.
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 ».