Lung Cancer in Young Patients: Higher Rate of Driver Mutations and Brain Involvement, but Better Survival
Notice bibliographique
Résumé
Lung cancer (LC) is the leading cause of cancer mortality worldwide. Despite advances in the treatment strategy, including surgery, chemotherapy, radiotherapy, immunotherapy, and targeted therapy, 5-year survival is estimated as 9% to 20%.1,2 During the past decade, LC incidence has been increasing and age at the time of diagnosis continues to decrease.3,4 Median age at diagnosis is 70 years, and approximately 13% of all patients with LC are younger than age 50 years. Numerous studies have suggested that LC in young patients constitutes an entity with unique characteristics, such as a higher percentage of female patients, a lower rate of smoking history, a higher percentage of family history of LC, a higher rate of adenocarcinoma histology, and more advanced stage at diagnosis.5-13 However, it is still controversial whether youthful patients with LC have better or worse outcomes.14-16 In addition, most of the literature regarding young patients is associated with Asian cohorts, whereas less data about white communities are available. Currently, a considerable percentage of patients with non–small-cell lung cancer (NSCLC) benefit from personalized therapy protocols that are based on the genomic profile of tumors.17,18 Mutations in the epidermal growth factor receptor (EGFR) and anaplastic lymphoma kinase (ALK) genes affect the prognosis of patients. Recent studies have shown that young patients with NSCLC harbor more driver mutations than older patients. The rate of mutations documented in the young white population varies between articles and is approximately 20% to 30% for EGFR mutation and 10% to 20% for ALK rearrangement.17-19 There are conflicting data on whether younger patients with NSCLC achieve better or worse outcomes compared with the older population, yet most studies show that younger patients have better survival rates.7-10 Identifying the clinicopathologic characteristics and making appropriate proactive molecular profiling of the youthful population can guide treatment strategy in the clinical setting. Therefore, in the current study, we carried out a comprehensive analysis of patient clinicopathologic features and clinical outcomes in both young (age ≤ 50 years) and older (age > 60 years) patients with NSCLC.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».