Molecular characterization of <scp>AML‐MRC</scp> reveals <scp><i>TP53</i></scp> mutation as an adverse prognostic factor irrespective of <scp>MRC</scp>‐defining criteria, <scp><i>TP53</i></scp> allelic state, or <scp><i>TP53</i></scp> variant allele frequency
Notice bibliographique
Résumé
Abstract Background Acute myeloid leukemia with myelodysplasia‐related changes (AML‐MRC) generally confers poor prognosis, however, patient outcomes are heterogeneous. The impact of TP53 allelic state and variant allele frequency (VAF) in AML‐MRC remains poorly defined. Methods We retrospectively evaluated 266 AML‐MRC patients who had NGS testing at our institution from 2014 to 2020 and analyzed their clinical outcomes based on clinicopathological features. Results TP53 mutations were associated with cytogenetic abnormalities in 5q, 7q, 17p, and complex karyotype. Prognostic evaluation of TP53 MUT AML‐MRC revealed no difference in outcome between TP53 double/multi‐hit state and single‐hit state. Patients with high TP53 MUT variant allele frequency (VAF) had inferior outcomes compared to patients with low TP53 MUT VAF. When compared to TP53 WT patients, TP53 MUT patients had inferior outcomes regardless of MRC‐defining criteria, TP53 allelic state, or VAF. TP53 mutations and elevated serum LDH were independent predictors for inferior OS and EFS, while PHF6 mutations and transplantation were independent predictors for favorable OS and EFS. NRAS mutation was an independent predictor for favorable EFS. Conclusions Our study suggests that TP53 MUT AML‐MRC defines a very‐high‐risk subentity of AML in which novel therapies should be explored.
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 | 0,005 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».