Genomic data in prognostic models—what is lost in translation? The case of deletion 17p and mutant<i>TP53</i>in chronic lymphocytic leukaemia
Notice bibliographique
Résumé
Genomic technologies are revolutionizing the practice of haematology-oncology, leading to improved disease detection, more accurate prognostication and targeted treatment decisions. These advances, however, have also introduced new clinical challenges, which include problems of prognostic underdetermination and its attendant risks of over- and undertreatment. Genomic data is generated from different technologies, from cytogenetics to next-generation sequencing, which are often interpreted interchangeably and in a binary fashion-as the presence or absence of a given chromosomal deletion or mutation-an oversimplification which may lead to mistaken prognosis. We discuss the clinical use of one such prognostic marker, represented by sequence and copy number alterations in TP53, located on chromosome 17p. Mutations in TP53 are strongly linked to poor prognosis in a variety of haematological malignancies, including chronic lymphocytic leukaemia (CLL). We review studies in CLL which utilize the 17p deletion or TP53 mutations for prognostic stratification with specific focus on the technologies used for detection, the thresholds established for clinical significance, and the clinical contexts in which these alterations are identified. The case of CLL illustrates issues arising from simplistic, binary interpretation of genetic testing and highlights the need to apply a critical lens when incorporating genomics into prognostic models.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».