The Impact of Foundation Medicine Testing on Cancer Patients: A Single Academic Centre Experience
Notice bibliographique
Résumé
Background The use of Next-Generation Sequencing (NGS) has recently allowed significant improvements in cancer treatment. Foundation Medicine ® (FM) provides a genomic profiling test based on NGS for a variety of cancers. However, it is unclear if the Foundation Medicine test would result in a better outcome than the standard on-site molecular testing. In this retrospective chart review, we identified the FM cases from an academic Canadian hospital and determined whether these test results improved treatment options for those patients. Materials and Methods A retrospective analysis was performed on patients with solid tumors who had FM testing between May 1, 2014 and May 1, 2018. Clinical factors and outcomes were measured using descriptive statistics using Microsoft Excel ® Software. Results Out of 66 FM tests, eight patients (= 12%) had a direct change in therapy based on the FM tests. Identified were 285 oncogenic mutations (median 1, range 0–31); where TP53 (n = 31, 10.9%), CDKN2A (n = 19, 6.7%), KRAS (n = 16, 5.6%) and APC (n = 9, 3.2%) were the most common FM mutations identified. Conclusion A small proportion of FM reports identified actionable mutations and led to direct treatment change. FM testing is expensive and a few of the identified mutations are now part of routine on-site testing. NGS testing is likely to become more widespread, but this research suggests that its true clinical impact may be restricted to a minority of patients.
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 | 0,001 |
| 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 ».