Biomarker Testing and Patterns of Treatment in Patients with NSCLC: An International Association for The Study of Lung Cancer Analysis of American Society of Clinical Oncology CancerLinQ Discovery Data
Notice bibliographique
Résumé
Introduction: Precision medicine has resulted in improved outcomes for non small cell lung cancer (NSCLC), whereas biomarker testing is considered critical for guiding treatment decisions for advanced-stage NSCLC, and adoption of testing in routine practice is variable. We studied the utilization of biomarker testing in advanced NSCLC. Methods: The American Society of Clinical Oncology (ASCO) CancerLinQ Discovery data set was queried to identify patients diagnosed with lung cancer between 2010 and 2018. Data on demographics, tumor stage, histology, and treatments were extracted, and receipt of biomarker testing was investigated as the primary outcome. Univariate association of each clinicopathological variable with the biomarker testing outcome was performed using a chi-square test for categorical variables and an analysis of variance test for numerical variables. A multivariable logistic regression analysis with backward selection at an alpha of 0.05 was reported. All analyses were conducted using SAS 9.4. Results: < 0.001) were associated with a significantly higher likelihood of having biomarker testing. These results were also confirmed in a subgroup analysis of patients with adenocarcinoma. Conclusion: In this analysis of a United States-based real-world data set of patients with stage IV NSCLC, the Asian race and female sex were associated with a higher likelihood of having biomarker testing performed. The overall percentage of patients undergoing testing remained suboptimal.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».