MétaCan
Menu
← Retour à la cohorte
Enregistrement W4282973317 · doi:10.1158/1538-7445.am2022-6299

Abstract 6299: Population kinetics (PopKin) of non-small cell lung cancer (NSCLC) adjuvant therapy

2022· article· en· W4282973317 sur OpenAlexaff
David J. Stewart

Notice bibliographique

RevueCancer Research · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésMedicineAdjuvantPopulationOncologyInternal medicineChemotherapySurgery

Résumé

récupéré en direct d'OpenAlex

Abstract Background: Disease-free survival (DFS) and overall survival (OS) follow 1st order kinetics. Curve Popkin assessment yields biological insights. Chemotherapy (chemo) improves outcome in resected NSCLC. We performed adjuvant DFS and OS PopKin assessments. Methods: We digitized published DFS and OS curves. We used GraphPad Prism for curve exponential decay nonlinear regression analysis (EDNLRA). Results: We assessed 1 trial with adjuvant osimertinib and 5 with platinum-based postoperative chemo and control arms. With osimertinib, DFS and OS curves were convex on log-linear plots, suggesting rapid tumor regrowth once therapy is discontinued. In chemo trials, 10 of 10 DFS curves and 9 of 10 OS curves fit 2-phase decay EDNLRA models (Table 1). Popkin calculations indicate that of control patients destined to recur, 12% would recur by 2 months after surgery, 22% by 4 months and 31% by 6 months. Conclusion: PopKin suggests osimertinib delays recurrence rather than preventing it. Combined chemo analyses suggest chemo converts 15% of patients from rapidly to slowly recurring, but many “shifted” patients eventually recur. Hence, chemo may induce reversible tumor senescence rather than eradicating micrometastases. Anti-senescent cell strategies might prove beneficial. Frequent scans are warranted in the 1st postoperative year for early detection of recurrences. Table 1. EDNLRA of adjuvant chemo and control DFS and OS curves Arm Overall t1/2 a % Fastb Fast group t1/2 c % Slowd Slow group t1/2 e Control DFS 40.1 57 11.0 43 212.7 Chemo DFS 47.2 42 11.7 58 120.8 Control OS 51.9 69 25.8 31 1.3 x 1012 Chemo OSf 61.4 75 45.9 25 1.3 x 1012 aMedian t1/2 (half-life, months) on 1-phase decay EDNLRA. bMedian % of all patients in rapidly recurring/dying subgroup on 2-phase decay EDNLRA. cMedian t1/2 in rapidly recurring/dying subgroup on 2-phase decay EDNLRA. dMedian % in slowly recurring/dying subgroup. eMedian t1/2 in slowly recurring/dying subgroup. fIn 1 study, OS curve did not fit a 2-phase decay model Citation Format: David J. Stewart. Population kinetics (PopKin) of non-small cell lung cancer (NSCLC) adjuvant therapy [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2022; 2022 Apr 8-13. Philadelphia (PA): AACR; Cancer Res 2022;82(12_Suppl):Abstract nr 6299.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,413
Écart entre enseignants0,367 · 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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer Research→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→