Development of a novel risk stratification model for immune-related adverse events for patients with advanced melanoma and non-small cell lung cancer treated with immune checkpoint inhibitors.
Notice bibliographique
Résumé
2649 Background: Immune checkpoint inhibitors (ICI) transformed treatment paradigm across cancers. There remain few reliable, clinically accessible predictors of ICI-induced immune related adverse events (irAEs). We derive a novel risk stratification model for irAEs using baseline patient, tumor and treatment variables in a large cohort of patients with advanced melanoma (AM) or non-small cell lung cancer (NSCLC) treated with ICI. Methods: We conducted a multi-centre retrospective observational cohort study of consecutive patients with AM or NSCLC receiving ≥ 1 cycle of single-agent or combination ICI, in any line, 2015 - 2023, in Alberta, Canada. Clinically significant irAEs, defined as those requiring treatment delay or systemic steroids/steroid sparing agents, were identified as outcome of interest. The association between irAEs, overall survival (OS), and time to next treatment (TTNT) was assessed with Cox Proportional Hazards regression. Stepwise logistic regression was used to select and weight baseline variables associated with development of irAEs to derive a predictive risk score. Model validation was carried out on 500 iterations of bootstrapped samples. Harrel’s C-index was calculated and internally validated to ascertain the model’s discriminatory performance. Results: 1,292 total patients were included, 519 (218/489 [44.6%] AM and 301/803 [37.5%] NSCLC) developing a clinically significant irAE. Using a subset of 801 patients with available baseline characteristics, the following variables were identified and weighted for creation of risk model (risk score attributed): tumor type (NSCLC) (+1), age >60 (+1), ECOG ≥1 (-1), BMI ≥ 25 (+1), ICI after first line (-1), combination ICI (+4), >10 cycles of ICI (+2), albumin level < LLN (+2), adrenal metastasis (+1), multiple sites of metastasis (-1). Patients were stratified into 3 irAE risk groups based on combined score: low (n = 230, risk score ≤ 0), intermediate (n = 412, risk score 1-2), high (n = 159, risk score ≥3). The risk model performed well with an optimism-corrected c-index of 0.707 in internal validation, and strong association with odds of irAE occurrence (Table). The development of irAE was associated with an improvement in OS (HR 0.48, 95% CI 0.41-0.44, p<0.001), with a median OS of 34.3 (95% CI 28.8-39.6) months compared to 12.0 (95% CI 10.6-14.3) months for those who did not develop an irAE. Similar robust stratification was also seen with TTNT. Conclusions: We presented and internally validated, a simple risk stratification tool that utilizes readily available baseline patient, tumor, and treatment characteristics to robustly stratify risk of irAE development. [Table: see text]
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».