Effect of molecular profile in non-small cell lung carcinoma on the development of brain metastases.
Notice bibliographique
Résumé
e20640 Background: Non-Small Cell Lung Cancer (NSCLC) is a heterogenous disease with 44% of pts developing brain metastases (BMs). Molecular Profiling (MP) enables selection of patients for targeted therapy and provides prognostic information. This study aims to investigate the impact of MP on the incidence, presentation and prognosis of brain metastases in patients with NSCLC. Methods: Patients (> 18 years) with NSCLC who enrolled in the IMPACT/COMPACT trial were evaluated in 2 groups evaluated: (1) NSCLC with BMs, (cross referencing with prospective BM database) (2) NSCLC without BMs. The following variables were investigated: Age at diagnosis, Smoking Status, Extracranial Disease Status, Race, Mutations (EGFR, KRAS, TP53, and ALK with tumor profiling using TruSeq Amplification or Sequenom Test), Gender, Histology, and Stage at Diagnosis. Endpoints: BM Yes/No. Logistic regression was used to assess the impact of variables on the occurrence of BMs. Results: A total of 242 pts with NSCLC were identified, of which 88 pts (36%) had BMs. Median age was 62 years (range 18-89 years). Median follow up was 32.5 months (range 0.82–256.9 months). Of all patients, 33.3% of Asian pts had EGFR mutation compared to 18.7% of Caucasian pts (Chi-squared p=0.068). On univariate analysis, pts diagnosed with BMs were more likely to be younger age (p=0.006), be Caucasian (p=0.022), have adenocarcinoma histology (p=0.022), be diagnosed initially with stage IV disease (versus lower stage; p=0.007), and have EGFR mutation (p=0.018). Conclusions: The molecular profile impacts the incidence and timing of brain metastases in patients with NSCLC. Specifically, our study found the following factors were associated with the development of BMs: Age (younger), Race (Caucasian), Tumor stage (advanced), Histology (adenocarcinoma) and EGFR mutation present. Patients with EGFR positive tumors developed BMs slower after their initial lung cancer diagnosis. Development of BMs: Multivariable analysis Variable OR, (95% CI) p value Age (younger) 1.04, (1.01-1.06) 0.007 Race – Caucasian 2.75, (1.25-6.06) 0.007 Stage IV at diagnosis 2.35, (1.33-4.15) 0.003 Mutation - EGFR 2.57, (1.30-5.10) 0.007
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».