Diagnostic Accuracy in Fit-for-Purpose PD-L1 Testing
Notice bibliographique
Résumé
PD-L1 testing by immunohistochemistry (IHC) has presented significant challenges not only for clinical laboratories, but also for external quality assurance (EQA) entities that provide proficiency testing (PT) for clinical laboratories. Canadian Immunohistochemistry Quality Control (CIQC) has used educational runs to explore approaches to sample design and analysis of results that would enhance patient safety. As PT for predictive biomarkers requires modeling at every level (design of the run, assessment of the run, and reporting of "pass" or "fail") based on "fit-for-purpose" principles, CIQC has applied those principles to PD-L1 PT runs. Each laboratory received unstained slides with TMA tissue cores from 104 randomly selected primary NSCLC and tonsil tissues to test with their current PD-L1 assay. Diagnostic sensitivity and specificity were calculated against designated gold standards based on the "3D" approach (drug-disease-diagnostic assay). Depending on the selection of fit-for-purpose gold standards and also on the selection of what was considered fit-for-purpose cut-off points, great variation in the performance (accuracy) of both companion/complementary diagnostic assays and laboratory developed tests was seen. "Fit-for-purpose" in PT for PD-L1 testing entails that the purpose(s) of each PT run is declared a priori, that the PT program has selected/designated purpose-specific gold standard results for the PT challenge, and that the PT materials for the PT run are designed and constructed to enable calculations of diagnostic accuracy.
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 | 0,090 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 ».