Systematic population-based identification of NTRK and RET fusion-positive thyroid cancers
Notice bibliographique
Résumé
Objective: The aim of the study was to identify patients with NTRK fusion-positive or RET fusion/mutation-positive thyroid cancers, who could benefit from neurotrophic tyrosine kinase receptor (NTRK) or receptor tyrosine kinase (RET) inhibitors. Methods: Patients were identified in the Calgary prospective thyroid cancer database (N= 482). Patients were 'pre-screened' with clinically available MassARRAY® BRAF test, Colon Panel, Melanoma Panel, or ThyroSPEC™. Mutation-negative tumors were 'screened' for NTRK fusions and RET fusions/mutations with the Oncomine™ Comprehensive Assay v3 (OCAv3). Results: A total of 86 patients were included in 1 of 2 separate analyses. Analysis A included 42 patients with radioactive iodine (RAI)-resistant distant metastases. After pre-screening, 20 BRAF and RAS mutation-negative patients underwent OCAv3 screening, resulting in the detection of 4 patients with NTRKfusions and 4 patients with RET fusions (8/20, 40% of analyzed patients). Analysis B included 44 patients, 42 with American Thyroid Association (ATA) high and intermediate risk of recurrence and 2 with medullary thyroid carcinoma. During pre-screening, 1 patient with an NTRK fusion, 1 patient with a RET fusion, and 30 patients with BRAF mutations were identified. The remaining 9 patients received OCAv3 screening, resulting in detection of 1 patient with an NTRKfusion and 1 with a RET fusion (4/11, 36% of analyzed patients). Conclusions: Our findings indicate a higher rate of NTRK fusions and RETfusions in patients with thyroid cancer with RAI-resistant distant metastases and ATA high or intermediate risk of recurrence. This highlights the importance of early screening to enable intervention with a NTRK or RET inhibitor.
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 | 0,001 | 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 | 0,000 |
| 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 ».