MétaCan
Menu
Retour à la cohorte
Enregistrement W2991704241 · doi:10.1182/blood.v110.11.3573.3573

Prognostic Factors in Primary Cutaneous Anaplastic Large Cell Lymphoma: Clinical and Molecular Characterization of a Subset with Worse Outcome.

2007· article· en· W2991704241 sur OpenAlexaff
Denise K. Woo, Chris Jones, Monique N. Vanoli-Storz, Sabine Köhler, Sunil Reddy, Ranjana H. Advani, Richard T. Hoppe

Notice bibliographique

RevueBlood · 2007
Typearticle
Langueen
DomaineMedicine
ThématiqueCutaneous lymphoproliferative disorders research
Établissements canadiensInstitute of Health Services and Policy Research
Organismes subventionnairesnon disponible
Mots-clésInternal medicineMedicineUnivariate analysisProportional hazards modelOncologyRetrospective cohort studyLogistic regressionMultivariate analysisGastroenterology

Résumé

récupéré en direct d'OpenAlex

Abstract Background and Objectives: Primary cutaneous anaplastic large cell lymphoma (pcALCL) has an overall favorable prognosis. However, we have previously suggested that patients with extensive limb involvement may have a worse outcome (J Am Acad Dermatol49:1049, 2003). The primary objective was to assess the potential prognostic factors in pcALCL, in particular the role of extensive regional single-limb disease (ERSL-D), defined as presentation with or progression to T2b or T2c involvement of a single limb, or T3b involvement of > 3 contiguous body regions. Our secondary objectives were to study the gene expression profiles and treatment responses of our patients with pcALCL that may correlate with clinical outcome. Patients and Methods: This was a retrospective study involving 48 patients with pcALCL diagnosed and managed at Stanford from 1990–2005. The potential prognostic factors for overall and disease-specific survivals (OS and DSS) were analyzed using the KM method and univariate and multivariate Cox regression. Cox regression was also used to identify risk factors for progresson to extracutaneous disease. Gene expression profiles were studied using cDNA microarrays. Results: The OS and DSS rates of the entire cohort were 76% and 85% at 5 yrs and 70% and 85% at 10 yrs, respectively. Our univariate analysis demonstrated age, ERSL-D, and progression to extracutaneous disease (as a time-dependent variable) as significant prognostic factors for OS, while ERSL-D and progression to extracutaneous disease were significant for DSS. Sex, presence of spontaneous regression, and lesion site were not significantly assoicated with OS or DSS. Patients with T1 (solitary skin lesion) disease had an overall more favorable OS and DSS compared to those with T2 (regional skin involvement) and T3 (generalized skin involvement) disease, although the differences were not statisticlly significant. In our multivariate analysis, age (HR 1.83, 95% CI 1.02–3.26) and progression to extracutaneous disease (HR 6.42, 95% CI 1.39–29.68) remained significant for OS, while ERSL-D (HR 29.31, 95% CI 1.72–500.82) and progression to extracutaneous disease (HR 13.12, 95% CI 1.03–167.96) remained independent prognostic factors for DSS. Presentation with T3 disease was a significant risk factor for progression to extracutaneous disease (HR 10.20, 95% CI 1.84–56.72). Microarray studies of 14 samples from 3 ERSL-D and 7 classic pcALCL patients were performed. The patients with ERSL-D and classic pcALCL formed distinct, separate clusters. Classic pcALCL showed concurrent upregulation of epidermal genes analogous to normal skin, while ERSL-D lacked this signature. Genes upregulated in ERSL-D (after subtraction of epidermal genes) included STAT5A, IL2Rα, HIPK2, WDR10 and those down-regulated included RXRA. These gene profiling data suggest that targeting IL2R (denileukin diftitox) or STAT5 (HDAC inhibitors) may be appropriate in ERSL-D while therapeutic resistance to bexarotene may be linked to lack of RXRA gene expression. Conclusion: Our data suggest that patients with ERSL-D have a worse clinical outcome associated with a distinct gene expression profile. More aggressive and targeted treatments may be indicated in this subgroup.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,294
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBloodMême sujetCutaneous lymphoproliferative disorders researchTravaux en français237 207