MétaCan
Menu
← Retour à la cohorte
Enregistrement W2891211750 · doi:10.1093/neuonc/noy139.025

OS3.6 Development and validation of a DNA methylome-based predictor of meningioma recurrence and meningioma recurrence score

2018· article· en· W2891211750 sur OpenAlexaff
Farshad Nassiri, Yasin Mamatjan, Suganth Suppiah, Jetan H. Badhiwala, Sheila Mansouri, Shirin Karimi, P Harter, Peter Baumgarten, Michael Weller, Matthias Preusser, Christel Herold‐Mende, Felix Sahm, Andreas von Deimling, Gelareh Zadeh, Kenneth Aldape

Notice bibliographique

RevueNeuro-Oncology · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésNomogramDNA methylationOncologyInternal medicineMeningiomaCohortMedicineProportional hazards modelMicroarrayBioinformaticsComputational biologyBiologyGeneSurgeryGeneticsGene expression

Résumé

récupéré en direct d'OpenAlex

The greatest clinical challenge faced in meningioma is the inability to predict recurrence for individual patients, limiting the ability to select patients who would benefit from adjuvant radiation therapy to prevent recurrence. In this multi-center cohort study, we utilized global epigenome DNA methylation profiles from human tumor samples to generate and validate a methylome-based predictor of recurrence-free survival (RFS) in individual patients to guide decision making regarding adjuvant treatment. Cox modeling of individual probes was used for feature selection in a training set (N=228 patients) which was then applied to two independent validation sets (N=54; N=140 patients). Gene-expression analysis was correlated to DNA methylation profiles using two published microarray datasets (GSE16581; GSE9438). Finally, penalized Cox modeling was used to generate a 5-year meningioma recurrence score based on a nomogram that integrated our validated methylome-based predictor with established clinical factors. The methlyome-based predictor was independently associated with RFS in each of the two validation sets, after adjusting for tumor grade and extent of resection (EOR; HR 4.0, 95%CI 1·4 - 11·5, P = 0·01 and HR 2·3, 95%CI 1·4 - 3.8, P = 0·002). Using a 5-year RFS metric, the methylome-based predictor performed favourably compared to a grade-based predictor in both validation cohorts (ΔAUC =15%; ΔAUC=12%). Functional annotation of the included probes implicated the homeobox gene family. A nomogram constructed using the validated methylome-predictor with WHO grade and EOR demonstrated greater predictive performance than a nomogram using clinical factors alone (ΔAUC = 7·7%) and resulted in two different risk groups with distinct recurrence patterns (P < 0·001). The methylome-based predictor and meningioma recurrence score developed and validated in this study provide important prognostic information not captured by established clinical factors. The meningioma recurrence score represent the first combined molecular and clinical prognostic tool that is individualized for patients with meningiomas, and hence an advance towards precision medicine in meningiomas

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)0,004
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,004
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,028
Tête enseignante GPT0,320
Écart entre enseignants0,292 · 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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuro-Oncology→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→