A validation study of disease definitions for immune checkpoint inhibitor neurotoxicity
Notice bibliographique
Résumé
<h3></h3> Immune checkpoint inhibitors (ICIs) have transformed cancer outcomes. By targeting immune-cell- surface receptors, they augment the immune response to tumour cells but can cause range of immune-related (IR) toxicities. Neurological toxicity occurs in 1–12% and is much less frequent than other tissue IR-toxicity but carries a higher risk of long-term morbidity and mortality. Prompt and <b>c orrect</b> identification of IR-neurotoxicity is essential to accessing treatment, optimizing outcome, avoiding adverse effects of immunosuppression if not indicated and facilitating ongoing ICI therapy where appropriate. [1] Guidon et al suggest criteria for diagnosis of IR-neurotoxicity [2]: onset within 6–12 months of exposure, AND Improvement with corticosteroids SUPPORTED BY presence of neural antibodies, paraneoplastic neurological syndrome. The NHNN ICI neurotoxicity service has received 100 referrals between 2019–2023. Thirty-two individuals (32%) were diagnosed with IR-neurotoxicity on exhaustive assessment and close clinical follow up. Application of the published diagnostic definitions to this cohort reveals Se:84.4%,Sp:73.5%.,PPV:60%,NPV:90.9% With very low additive benefit from the supportive components. Given the relative rarity of IR-neurotoxicity with ICI (1% in monotherapy) we suggest careful clinical assessment superior to use of broad diagnostic definitions. The correct exclusion of IR-neurotoxicity (specificity) is VERY important, to avoid adverse effects of high-dose corticosteroids and discontinuation of effective anti-cancer immunotherapies.
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 ».