SDPS-39 AN UPDATED VALIDATION OF PREDICTIVE ALGORITHMS FOR BRAIN METASTASES IN NON-SMALL CELL LUNG CANCER: SYSTEMATIC REVIEW AND INDEPENDENT COHORTVALIDATION ANALYSIS
Notice bibliographique
Résumé
Abstract INTRODUCTION Many non-small cell lung cancer (NSCLC) patients eventually develop brain metastases (BM). Reliable risk stratification with predictive algorithms can lead to early intervention. Here, we evaluated the performance of published BM risk-stratification algorithms using an independent cohort of NSCLC patients. METHODS We evaluated statistical models predicting BM in NSCLC by systematically reviewing relevant studies and testing them on an independent cohort of NSCLC patients in electronic medical records (2011-2020) from Penn State Health. Patient data was randomly split into 70% training and 30% testing for modeling using L1-regularized logistic regression, and we assessed the models' performance using ROC analyses. RESULTS Out of 1,643 publications, 22 met our criteria, and 12 of those studies (527,258 patients) included variables consistently available in patient charts. Our validation cohort included 1,699 NSCLC patients, with a median age at diagnosis of 68 and 20.4% developing BM. Among feasible models, Zhang 2021 had the highest performance in our cohort (AUROC [95% CI]: 0.89 [0.85-0.93]) and was comprised of the following predictors: age at diagnosis; surgical, chemotherapy, and radiation status; T and N stage; histological grade; and number of organs with metastases. Within our independent cohort, logistic regression revealed that the most informative predictors were the number of organs with metastases (OR [95% CI]: 3.25 [2.70, 3.92]), age at NSCLC diagnosis (OR [95% CI]: 0.98 [0.96, 0.99]), N-stage 1 at diagnosis (OR [95% CI]: 1.83 [1.08, 3.11]), and non-carcinoid or -carcinoma histology (OR [95% CI]: 0.29 [0.10, 0.84]). CONCLUSION Our robust approach, including systematic review and one of the largest-to-date independent institutional datasets, proposes a clinically feasible, novel algorithm for stratifying NSCLC patients based on risk of developing BM. This work can inform pragmatic screening and surveillance guidelines to facilitate early detection of BM in NSCLC patients.
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 | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».