Assessing the effects of immune checkpoint inhibitors on bone utilizing machine learning–assisted opportunistic quantitative computed tomography
Notice bibliographique
Résumé
Immune checkpoint inhibitors (ICIs) are widely used in cancer treatment, yet their impact on bone health remains unclear. This study aimed to perform a retrospective cohort study utilizing routine CT scans from patients with melanoma to perform opportunistic QCT analysis to investigate the effects of ICI treatment on skeletal health, including volumetric BMD (vBMD) measurements and osteoarthritis (OA) parameters. A previously established machine learning-assisted opportunistic QCT pipeline was used to estimate lumbar spine vBMD from baseline and 12-mo follow-up CT scans in patients with melanoma treated with ICI therapy and those not treated with ICI therapy. Facet joint OA, osteophyte formation, and endplate sclerosis were also graded. Independent and paired t tests were used to determine any differences in vBMD and OA parameters between ICI users and non-ICI users. Multivariable linear regression models were used to control for confounding variables. Non-ICI users had a significant decrease in vBMD of -6.96 mg/cm3 from baseline to follow-up, whereas the ICI users had no significant change. There was a significant difference in change in vBMD from baseline to follow-up between the 2 groups, with the non-ICI users experiencing a 11.22 mg/cm3 larger decrease in vBMD. After adjusting for baseline age, sex, baseline vBMD, and change in OA parameters, this difference remained significant at -13.04 mg/cm3. Among the ICI users, those who had a decline in vBMD had a lower baseline vBMD compared with those who had increased vBMD. Neither group showed a significant change in OA parameters over the follow-up period, nor a difference in change between ICI and non-ICI users, even after adjusting for sex, age, and baseline OA parameters. While the effects of ICI treatment on vBMD may vary based on baseline bone health, ICIs do not significantly impact OA parameters in the short term.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».