Blood-Based Multiomics-Guided Detection of a Precancerous Pancreatic Tumor
Notice bibliographique
Résumé
Over a decade ago, longitudinal multiomics analysis was pioneered for early disease detection and individually tailored precision health interventions. However, high sample processing costs, expansive multiomics measurements along with complex data analysis have made this approach to precision/personalized medicine impractical. Here we describe in a case report, a more practical approach that uses fewer measurements, annual sampling, and faster decision making. We also show how this approach offers promise to detect an exceedingly rare and potentially fatal condition before it fully manifests. Specifically, we describe in the present case report how longitudinal multiomics monitoring (LMOM) helped detect a precancerous pancreatic tumor and led to a successful surgical intervention. The patient, enrolled in an annual blood-based LMOM since 2018, had dramatic changes in the June 2021 and 2022 annual metabolomics and proteomics results that prompted further clinical diagnostic testing for pancreatic cancer. Using abdominal magnetic resonance imaging, a 2.6 cm lesion in the tail of the patient's pancreas was detected. The tumor fluid from an aspiration biopsy had 10,000 times that of normal carcinoembryonic antigen levels. After the tumor was surgically resected, histopathological findings confirmed it was a precancerous pancreatic tumor. Postoperative omics testing indicated that most metabolite and protein levels returned to patient's 2018 levels. This case report illustrates the potentials of blood LMOM for precision/personalized medicine, and new ways of thinking medical innovation for a potentially life-saving early diagnosis of pancreatic cancer. Blood LMOM warrants future programmatic translational research with the goals of precision medicine, and individually tailored cancer diagnoses and treatments.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».