Molecular profiling and target actionability for precision medicine in neuroendocrine neoplasms: real-world data
Notice bibliographique
Résumé
BACKGROUND: Key molecular alterations (MA) of neuroendocrine neoplasm (NEN) of various grade/primaries have been described but the applicability of molecular profiling (MP) for precision medicine in NEN remains to be demonstrated. METHODS: We conducted a retrospective study of all patients with metastatic NEN who had MP on tumour tissue at Gustave Roussy. The primary objective was to assess the clinical applicability of MP by evaluating the growth modulator index (GMI) as the primary end-point. RESULTS: MPs were obtained in 114 out of 156 eligible patients, including 12% NET-G1, 42% NET-G2, 13% NET-G3 and 35% neuroendocrine carcinoma (NEC). Primary sites were lung/thymus (40%), pancreas (19%), gastro-intestinal (16%), head&neck (10%), unknown (10%) and others (10%) with synchronous metastases in 61% of the patients. Most frequent MA were: MEN1 (25%), PTEN (13%), TP53 (11%) and TSC2 (9%), in neuroendocrine tumour (NET), and TP53 (50%) and RB1 (18%) in NEC. ESMO Scale for Clinical Actionability of Molecular Targets (ESCAT) classification of these MA were: I(5%), III(20%), IV(23%), X(27%); a putative actionable MA was identified in 48% patients. Median TMB was 5.7 Mut/Mb, with 3 TMB > 10 and 1 MSI NET. No MA was found in 26% patients. Molecularly matched treatment was administered to 19 patients (4 NEC, 15 NET): immunotherapy (n = 3), tipifarnib (n = 1), NOTCHi (n = 1), EGFRi (n = 2), HER2i (n = 1) and everolimus (n = 11). Overall, 67% of patients had a clinical benefit defined as a GMI over 1.3 with a 78% disease control rate. CONCLUSION: We report 48% of NEN with a putative actionable MA of which 35% received molecularly matched treatment, with a clinical benefit in 67% of the cases.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».