Developing a clinical-pathologic model to predict genomic risk of recurrence in patients with hormone receptor positive, human epidermal growth factor receptor-2 negative, node negative breast cancer
Notice bibliographique
Résumé
INTRODUCTION: Patients with hormone receptor (HR)-positive, human epidermal growth factor receptor-2 (HER2)-negative, node negative (NN) breast cancer may be offered a gene expression profiling (GEP) test to determine recurrence risk and benefit of adjuvant chemotherapy. We developed a clinical-pathologic (CP) model to predict genomic recurrence risk and examined its performance characteristics. METHODS: Patients diagnosed with HR-positive, HER2-negative, NN breast cancer with a tumour size < 30 mm and who underwent a GEP test [OncotypeDX or Prosigna] in Alberta from October 2017 through March 2019 were identified. Patients were classified as low or high genomic risk. Multivariable logistic regression analysis was performed to examine the associations of CP factors with genomic risk. A CP model was developed using coefficients of regression and sensitivity analyses were performed. RESULTS: A total of 366 patients were eligible (135 were tested using OncotypeDX and 231 with Prosigna). Of these, 64 (17.5%) patients were classified as high genomic risk. On multivariable logistic regression, tumour size > 20 mm (odds ratio [OR], 3.58; 95% confidence interval [CI], 1.84-6.98; P<0.001), low expression of progesterone receptor (OR, 3.46; 95% CI, 1.76-6.82; P<0.001), and histological grade III (OR, 7.24; 95% CI, 3.82-13.70; P<0.001) predicted high genomic risk. A CP model using these variables was developed to provide a score of 0-4. A CP cut-point of 0, identified 56% of genomic low risk patients with a specificity of 98.4%. CONCLUSIONS: A CP model could be used to narrow the population of breast cancer patients undergoing GEP testing.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».