The role of genetic variants in the prediction of hearing loss due to cisplatin chemoradiotherapy
Notice bibliographique
Résumé
BACKGROUND: Concomitant high-dose cisplatin with radiotherapy is commonly used for treating head and neck squamous cell carcinoma (HNSCC). Cisplatin, often used with radiotherapy, is known for causing irreversible sensorineural hearing loss, with individual variability suggesting a genetic component. This study aims to enhance the predictive ability of the clinical prediction model for cisplatin-induced hearing loss (CIHL) in HNSCC patients, as outlined in Theunissen et al., by incorporating significant genetic variants. METHODS: Conducted at the Netherlands Cancer Institute, this retrospective study included 74 patients treated between 1997 and 2011. Thirty-one SNPs that were previously associated with CIHL or other cisplatin-induced toxicities were identified and incorporated into the model. The primary outcome measured was the change in decibels at posttreatment 1-2-4 kHz hearing levels per additional minor allele of these SNPs, evaluated using linear mixed-effects regression models. The model's predictive accuracy was determined by the area under the curve (AUC) using 10-fold cross-validation. RESULTS: The rs2289669 SNP in the SLC47A1/MATE1 gene was linked to a significant 2.67 dB increase in hearing loss per allele (95% CI 0.49-4.86, p = 0.017). Incorporating rs2289669 improved the model's AUC from 0.78 to 0.83, a borderline significant improvement (p = 0.073). CONCLUSIONS: This study underscores the importance of the rs2289669 SNP in CIHL and demonstrates the potential of combining genetic and clinical data for enhanced predictive models in personalized treatment strategies.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».