Biomarker Data from the Phase III KATHERINE Study of Adjuvant T-DM1 versus Trastuzumab for Residual Invasive Disease after Neoadjuvant Therapy for HER2-Positive Breast Cancer
Notice bibliographique
Résumé
PURPOSE: In KATHERINE, adjuvant T-DM1 reduced risk of disease recurrence or death by 50% compared with trastuzumab in patients with residual invasive breast cancer after neoadjuvant therapy (NAT) comprised of HER2-targeted therapy and chemotherapy. This analysis aimed to identify biomarkers of response and differences in biomarker expression before and after NAT. EXPERIMENTAL DESIGN: Exploratory analyses investigated the relationship between invasive disease-free survival (IDFS) and HER2 protein expression/gene amplification, PIK3CA hotspot mutations, and gene expression of HER2, PD-L1, CD8, predefined immune signatures, and Prediction Analysis of Microarray 50 intrinsic molecular subtypes, classified by Absolute Intrinsic Molecular Subtyping. HER2 expression on paired pre- and post-NAT samples was examined. RESULTS: T-DM1 appeared to improve IDFS versus trastuzumab across most biomarker subgroups, except the HER2 focal expression subgroup. High versus low HER2 gene expression in residual disease was associated with worse outcomes with trastuzumab [HR, 2.02; 95% confidence interval (CI), 1.32-3.11], but IDFS with T-DM1 was independent of HER2 expression level (HR, 1.01; 95% CI, 0.56-1.83). Low PD-L1 gene expression in residual disease was associated with worse outcomes with trastuzumab (HR, 0.66; 95% CI, 0.44-1.00), but not T-DM1 (HR, 1.05; 95% CI, 0.59-1.87). PIK3CA mutations were not prognostic. Increased variability in HER2 expression was observed in post-NAT versus paired pre-NAT samples. CONCLUSIONS: T-DM1 appears to overcome HER2 resistance. T-DM1 benefit does not appear dependent on immune activation, but these results do not rule out an influence of the tumor immune microenvironment on the degree of response.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».