Feasibility of ctDNA in detecting minimal residual disease and predicting recurrence for colorectal cancer liver metastases
Notice bibliographique
Résumé
Introduction: Approximately 50% of patients diagnosed with colorectal cancer develop colorectal cancer liver metastases (CRLM). Although curative intent liver resection provides 5-year survival of 40-50%, up to 70% of patients develop recurrence of CRLM. Detection of minimal residual disease (MRD) is essential for timely, optimized treatment. This study evaluated the feasibility and utility of using circulating tumor DNA (ctDNA) to identify MRD and predict disease recurrence. Methods: Patients with CRLM that underwent liver resection and had known KRAS or PIK3CA mutations were retrospectively identified. Serial blood samples were collected every 3 months following surgery for disease surveillance. ctDNA was isolated from the samples and analyzed with digital PCR (dPCR). Results: KRAS and PIK3CA mutations were identified by dPCR in 29 patients over 115 timepoints. In patients with detectable ctDNA at time of liver resection, 81% (13/16) developed disease recurrence, while 46% (6/13) of the patients with undetectable ctDNA recurred (p=0.064). Presence of ctDNA was detected in 27.6% (8/29) of the initial postoperative samples. Radiologic recurrence was later diagnosed in 100% (8/8) of these patients, while 52% (11/21) who had undetectable ctDNA postoperatively recurred (p=0.026). Detectable ctDNA postoperatively was associated with a shorter disease-free survival (DFS) of 9 months vs 13 months in patients who had undetectable ctDNA (HR 2.95, 95% CI 1.16-7.49; p=0.02). Conclusion: Liquid biopsy using dPCR can identify low levels of ctDNA, enabling early detection of disease recurrence. Additionally, the presence of ctDNA postoperatively was predictive of recurrence. This study corroborates current literature and provides rational for moving toward a clinical trial using ctDNA and dPCR to detect MRD after CRLM resection.
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 | 0,001 |
| 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 ».