T‐cell clonality testing for the diagnosis of T‐cell large granular lymphocytic leukemia: Are we identifying pathology or incidental clones?
Notice bibliographique
Résumé
INTRODUCTION: T-cell clonality testing by T-cell receptor (TCR) gene rearrangement is key to the diagnosis of T-cell lymphoproliferative disorders such as T-cell large granular lymphocytic (T-LGL) leukemia. Benign clonal T-cell expansions, however, are commonly found in patients without identifiable disease, a condition referred to as T-cell clones of uncertain significance (T-CUS). In practice, T-cell clonality testing is performed for a range of reasons and results are often challenging to interpret given the overlap between benign and malignant clonal T-cell proliferations and uncertainties in the management of T-CUS. METHODS: We conducted a 5-year retrospective cohort study of 211 consecutive patients who underwent PCR-based T-cell clonality testing for suspected T-LGL leukemia at our institution to characterize the use of T-cell clonality testing and its impact on patient management. RESULTS: Overall, 46.4% (n = 98) of individuals tested had a clonal T-cell population identified. Patients with a monoclonal T-cell population were more likely to be older, have rheumatoid arthritis and have higher lymphocyte counts compared to patients with polyclonal populations. The majority of patients eventually diagnosed and treated for T-LGL leukemia had rheumatoid arthritis and lower neutrophil counts compared to untreated patients with monoclonal T-cell populations. A diagnosis of T-LGL leukemia was made in only a minority of patients (n = 48, 22.7%), and only a small proportion were treated (n = 17, 8.1%). CONCLUSION: Our study suggests that T-cell clonality testing most commonly identifies incidental T-cell clones with only a minority of patients receiving a diagnosis of T-LGL leukemia and fewer requiring active treatment. These finding indicate an opportunity to improve utilization of T-cell clonality testing in clinical practice to better target patients where the results of testing would impact clinical management.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».