Autoimmune PaneLs as PrEdictors of Toxicity in Patients TReated with Immune Checkpoint InhibiTors (ALERT)
Notice bibliographique
Résumé
BACKGROUND: Immune-checkpoint inhibitors (ICI) can lead to immune-related adverse events (irAEs) in a significant proportion of patients. The mechanisms underlying irAEs development are mostly unknown and might involve multiple immune effectors, such as T cells, B cells and autoantibodies (AutoAb). METHODS: We used custom autoantigen (AutoAg) microarrays to profile AutoAb related to irAEs in patients receiving ICI. Plasma was collected before and after ICI from cancer patients participating in two clinical trials (NCT03686202, NCT02644369). A one-time collection was obtained from healthy controls for comparison. Custom arrays with 162 autoAg were used to detect IgG and IgM reactivities. Differences of median fluorescent intensity (MFI) were analyzed with Wilcoxon sign rank test and Kruskal-Wallis test. MFI 500 was used as threshold to define autoAb reactivity. RESULTS: A total of 114 patients and 14 healthy controls were included in this study. irAEs of grade (G) ≥ 2 occurred in 37/114 patients (32%). We observed a greater number of IgG and IgM reactivities in pre-ICI collections from patients versus healthy controls (62 vs 32 p < 0.001). Patients experiencing irAEs G ≥ 2 demonstrated pre-ICI IgG reactivity to a greater number of AutoAg than patients who did not develop irAEs (39 vs 33 p = 0.040). We observed post-treatment increase of IgM reactivities in subjects experiencing irAEs G ≥ 2 (29 vs 35, p = 0.021) and a decrease of IgG levels after steroids (38 vs 28, p = 0.009). CONCLUSIONS: Overall, these results support the potential role of autoAb in irAEs etiology and evolution. A prospective study is ongoing to validate our findings (NCT04107311).
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».