Integration of cell of origin into the clinical CNS International Prognostic Index improves CNS relapse prediction in DLBCL
Notice bibliographique
Résumé
Abstract Central nervous system (CNS) relapse carries a poor prognosis in diffuse large B-cell lymphoma (DLBCL). Integrating biomarkers into the CNS–International Prognostic Index (CNS-IPI) risk model may improve identification of patients at high risk for developing secondary CNS disease. CNS relapse was analyzed in 1418 DLBCL patients treated with obinutuzumab or rituximab plus cyclophosphamide, doxorubicin, vincristine, prednisone chemotherapy in the phase 3 GOYA study. Cell of origin (COO) was assessed using gene-expression profiling. BCL2 and MYC protein expression was analyzed by immunohistochemistry. The impact of CNS-IPI, COO, and BCL2/MYC dual-expression status on CNS relapse was assessed using a multivariate Cox regression model (data available in n = 1418, n = 933, and n = 688, respectively). High CNS-IPI score (hazard ratio [HR], 4.0; 95% confidence interval [CI], 1.3-12.3; P = .02) and activated B-cell‒like (ABC) (HR, 5.2; 95% CI, 2.1-12.9; P = .0004) or unclassified COO subtypes (HR, 4.2; 95% CI, 1.5-11.7; P = .006) were independently associated with CNS relapse. BCL2/MYC dual-expression status did not impact CNS relapse risk. Three risk subgroups were identified based on the presence of high CNS-IPI score and/or ABC/unclassified COO (CNS-IPI-C model): low risk (no risk factors, n = 450 [48.2%]), intermediate risk (1 factor, n = 408 [43.7%]), and high risk (both factors, n = 75 [8.0%]). Two-year CNS relapse rates were 0.5%, 4.4%, and 15.2% in the respective risk subgroups. Combining high CNS-IPI and ABC/unclassified COO improved CNS relapse prediction and identified a patient subgroup at high risk for developing CNS relapse. The study was registered at www.clinicaltrials.gov as #NCT01287741.
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 ».