MétaCan
Menu
Retour à la cohorte
Enregistrement W2890760483 · doi:10.1200/jco.2016.34.15_suppl.11585

Prognostic and predictive effects of <i>TP53</i> mutation in patients with <i>EGFR</i>-mutated non-small cell lung cancer (NSCLC).

2016· article· en· W2890760483 sur OpenAlexaff
Catherine Labbé, Grzegorz Korpanty, Pascale Tomasini, Mark Doherty, Céline Mascaux, Kevin Jao, Bethany Pitcher, Melania Pintilie, Natasha B. Leighl, Ronald Feld, Geoffrey Liu, Penelope Ann Bradbury, Suzanne Kamel‐Reid, Ming‐Sound Tsao, Frances A. Shepherd

Notice bibliographique

RevueJournal of Clinical Oncology · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueLung Cancer Treatments and Mutations
Établissements canadiensUniversity of TorontoUniversity Health NetworkPrincess Margaret Cancer Centre
Organismes subventionnairesnon disponible
Mots-clésMedicineInternal medicineLung cancerStage (stratigraphy)OncologyDemographicsCancerBiology

Résumé

récupéré en direct d'OpenAlex

11585 Background: TP53 mutations are common in NSCLC; they occur frequently with other driver mutations, and have been reported as prognostic of poor outcome. The impact of TP53 mutations in EGFR-mutated NSCLC is unclear. Methods: Tissue from 73 patients with EGFR-mutated NSCLC at Princess Margaret Cancer Centre were analyzed by next-generation sequencing. TP53status was correlated with baseline demographics (sex, ethnicity, age, stage, CNS mets, smoking history, treatment) and outcomes (response [ORR], progression-free [PFS] and overall survival [OS]). Results: Dual TP53/EGFR mutations were found in 31 patients (42%), and were associated with younger age (median 53 v 64 y, p < 0.001). There were more patients with multiple EGFR mutations in the TP53 WT group (19% vs 0%) and more exon 19 deletions in TP53 mut group (68% vs 52%, p = 0.047). OS for all 73 patients was influenced by stage at diagnosis (HR 2.91 stage III, 4.27 stage IV, v I-II) and TP53 mut (HR 2.05, CI 1.02-4.12, p = 0.04). Only 59 patients (26 TP53 mut; 33 TP53 WT) received EGFR TKIs. ORR was not significantly different for TP53 WT v mut (64% v 54%, p = 0.62). In univariable analysis, non-Caucasian ethnicity (HR 0.47, CI 0.25-0.88, p = 0.02) and dual TP53/EGFR mut (HR 1.91, CI 1.04-3.49, p = 0.04) were associated with significant differences in PFS on EGFR TKIs, but not in multivariable analysis. Among 38 patients (19 in each group) treated with chemotherapy, ORR was not influenced by TP53 status. Among 12 patients tested, 4 (80%) TP53 WT and 3 (43%) TP53 mut had T790M mutations. All 6 patients treated with T790M inhibitors (2 TP53 mut; 4 TP53 WT) achieved partial response. There was a non-significant trend for more brain metastases with dual TP53/EGFR mut (58% v 37% at 5 years, p = 0.10); when excluding patients with brain metastases at diagnosis, time to brain metastases was significantly shorter in patients with dual TP53/EGFRmut (HR 2.2, CI 1.07-4.54, p = 0.03). Conclusions: In patients with EGFR-mutated NSCLC, TP53 mutation negatively impacts OS and PFS on EGFR TKIs, and may be associated with brain metastases. Larger datasets are required to validate whether TP53 mutational status is an independent factor predictive of differential benefit from EGFR TKIs.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,014
Tête enseignante GPT0,381
Écart entre enseignants0,367 · 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 source (Gemma direct ou Codex distillé), 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

Citations6
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetLung Cancer Treatments and MutationsTravaux en français237 207