Disparity and Diversity in NSCLC Imaging and Genomics: Evaluation of a Mature, Multicenter Database
Notice bibliographique
Résumé
Lung cancer remains the leading cancer-related death across North America. Imaging is fundamental. Recently, healthcare disparities came into research focus. Our aim was to explore disparity from an imaging, genetic, and outcome perspective. We utilized the AACR Project GENIE Biopharma Consortium (BPC) dataset v 1.1 to build a collated NSCLC dataset. Descriptive and analytical statistics were applied according to data characteristics. From 1849 patients, mean age was 64.4 y (±10.5), 58% (n = 1065) were female, 23% (n = 419) never smoked, 84% (n = 1545) were of white race, and 57% (n = 1052) were < stage III. No difference (p > 0.05) was found for baseline imaging by race. White race showed higher 3-month surveillance imaging (p = 0.048) and a baseline stage < IV (OR 0.61). KRAS (33.3 vs. 17.9%), STK11 (14.8 vs. 7.3%), and KEAP1 (13.3 vs. 5.3%) mutations were predominant among white patients while EGFR mutation (19.2 vs. 44.1%) was less predominant. Mutations in TP53 or KEAP1 had worse PFS and OS. The latter was also reduced in STK11, KRAS + STK11, and KRAS + KEAP1 mutations. Meanwhile, EGFR mutation had increased OS. Multivariate analysis showed that progression on imaging at 3 or 6 months (HR 1.69 and 1.43, respectively), TP53 (HR 1.37) and KRAS (HR 1.26) had lower OS while EGFR and LRP1B (HR 0.69 and 0.39, respectively) had higher OS. No racial disparity at baseline imaging was observed. Higher initial stages among non-white patients might reflect inequalities in accessing healthcare. However, race wasn’t associated to OS. Finally, progression in imaging at 3 or 6 months showed the higher hazard ratios for death.
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 | 0,012 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; 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 ».