Abstract 3315: Evaluating biomarker potential of germline genomic factors for predicting clinical outcomes in prostate cancer
Notice bibliographique
Résumé
Abstract Prostate cancer is the second-most diagnosed cancer and the second leading cause of cancer death in American men. Early detection is common, but is followed by the more challenging task of prognosing a highly variable clinical course. Current clinical risk-assessment strategies such as serum abundance of prostate specific antigen (PSA), tumor size & extent, and tumor grade based on biopsy are highly imprecise: over a third of patients are over-treated. An improved method of risk stratification may lie in hereditary factors. Prostate cancer is one of the most strongly inherited (h2 = 57%), with accumulating evidence associating rare variants, common variants, and genetic ancestry to clinical outcomes. We have performed germline sequencing on blood from thousands of patients diagnosed with localized prostate cancer and with extensive follow-up data. We quantify the interactions of rare and common variants, and demonstrate that germline features provide insights into patient outcomes and optimal management strategies. Citation Format: Nicole Zeltser, Kathleen E. Houlahan, Sarah M. Al-Hiyari, Stefan E. Eng, Yash Patel, Takafumi N. Yamaguchi, Shu Tao, Rong Rong Huang, Robert E. Reiter, Huihui Ye, Adam S. Kinnaird, Paul C. Boutros. Evaluating biomarker potential of germline genomic factors for predicting clinical outcomes in prostate cancer [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2023; Part 1 (Regular and Invited Abstracts); 2023 Apr 14-19; Orlando, FL. Philadelphia (PA): AACR; Cancer Res 2023;83(7_Suppl):Abstract nr 3315.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».