Cancer detection in clinical practice and using blood-based liquid biopsy: A retrospective audit of over 350 dogs
Notice bibliographique
Résumé
BACKGROUND: Guidelines-driven screening protocols for early cancer detection in dogs are lacking, and cancer often is detected at advanced stages. HYPOTHESIS/OBJECTIVES: To examine how cancer typically is detected in dogs and whether the addition of a next-generation sequencing-based "liquid biopsy" test to a wellness visit has the potential to enhance cancer detection. ANIMALS: Client-owned dogs with definitive cancer diagnoses enrolled in a clinical validation study for a novel blood-based multicancer early detection test. METHODS: Retrospective medical record review was performed to establish the history and presenting complaint that ultimately led to a definitive cancer diagnosis. Blood samples were subjected to DNA extraction, library preparation, and next-generation sequencing. Sequencing data were analyzed using an internally developed bioinformatics pipeline to detect genomic alterations associated with the presence of cancer. RESULTS: In an unselected cohort of 359 cancer-diagnosed dogs, 4% of cases were detected during a wellness visit, 8% were detected incidentally, and 88% were detected after the owner reported clinical signs suggestive of cancer. Liquid biopsy detected disease in 54.7% (95% confidence interval [CI], 49.5%-59.8%) of patients, including 32% of dogs with early-stage cancer, 48% of preclinical dogs, and 84% of dogs with advanced-stage disease. CONCLUSIONS/CLINICAL IMPORTANCE: Most cases of cancer were diagnosed after the onset of clinical signs; only 4% of dogs had cancer detected using the current standard of care (i.e., wellness visit). Liquid biopsy has the potential to increase detection of cancer when added to a dog's wellness visit.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».