Novel MAGIC composite scores using both clinical symptoms and biomarkers best predict treatment outcomes of acute GVHD
Notice bibliographique
Résumé
ABSTRACT: Acute graft-versus-host disease (GVHD) grading systems that use only clinical symptoms at treatment initiation such as the Minnesota risk identify standard and high-risk categories but lack a low-risk category suitable to minimize immunosuppressive strategies. We developed a new grading system that includes a low-risk stratum based on clinical symptoms alone and determined whether the incorporation of biomarkers would improve the model's prognostic accuracy. We randomly divided 1863 patients in the Mount Sinai Acute GVHD International Consortium (MAGIC) who were treated for GVHD into training and validation cohorts. Patients in the training cohort were divided into 14 groups based on similarity of clinical symptoms and similar nonrelapse mortality (NRM); we used a classification and regression tree (CART) algorithm to create three Manhattan risk groups that produced a significantly higher area under the receiver operating characteristic curve (AUC) for 6-month NRM than the Minnesota risk classification (0.69 vs 0.64, P = .009) in the validation cohort. We integrated serum GVHD biomarker scores with Manhattan risk using patients with available serum samples and again used a CART algorithm to establish 3 MAGIC composite scores that significantly improved prediction of NRM compared to Manhattan risk (AUC, 0.76 vs 0.70, P = .010). Each increase in MAGIC composite score also corresponded to a significant decrease in day 28 treatment response (80% vs 63% vs 30%, P < .001). We conclude that the MAGIC composite score more accurately predicts response to therapy and long-term outcomes than systems based on clinical symptoms alone and may help guide clinical decisions and trial design.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».