Discovery and preliminary validation of a new panel of personalized ovarian cancer biomarkers for individualized detection of recurrence
Notice bibliographique
Résumé
<ns3:p> <ns3:bold>Background:</ns3:bold> Following first-line treatment, over 80% of advanced ovarian cancer cases suffer recurrence. Treatment of patients with recurrence based on CA125 has not resulted in improvements in outcome postulating that we need biomarkers for earlier detection. A tumor-specific array of serum proteins with advanced proteomic methods could identify personalized marker signatures that detect relapse at a point where early intervention may improve outcome. <ns3:bold>Methods:</ns3:bold> For our discovery phase, we employed the proximity extension assay (PEA) to simultaneously measure 1,104 proteins in 120 longitudinal serum samples (30 ovarian cancer patients). For our validation phase, we used PEAs to concurrently measure 644 proteins (including 21 previously identified candidates, plus CA125 and HE4) in 234 independent, longitudinal serum samples (39 ovarian cancer patients). <ns3:bold>Results:</ns3:bold> We discovered 23 candidate personalized markers (plus CA125 and HE4), in which personalized combinations were informative of recurrence in 92% of patients. In our validation study, 21 candidates were each informative of recurrence in 3-35% of patients. Patient-centric analysis of 644 proteins generated a refined panel of 33 personalized tumor markers (included 18 validated candidates). The panel offered 91% sensitivity for identifying individualized marker combinations that were informative of recurrence. <ns3:bold>Conclusion:</ns3:bold> Tracking individualized combinations of tumor markers may offer high sensitivity for detecting recurrence early and aid in prompt clinical referral to imaging and treatment interventions. </ns3:p>
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».