MétaCan
Menu
Retour à la cohorte
Enregistrement W4408889678 · doi:10.1158/1078-0432.ccr-24-3475

Modeling MRD Changes in Myeloma to Understand Treatment Effects, Predict Outcomes, and Investigate Curative Potential

2025· article· en· W4408889678 sur OpenAlexaff
Walter M. Gregory, Thomas J. Prior, JB Bartlett, Pieter Sonneveld, Meletios Α. Dimopoulos, Philippe Moreau, Saad Z. Usmani, Thierry Façon

Notice bibliographique

RevueClinical Cancer Research · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueMultiple Myeloma Research and Treatments
Établissements canadiensHotel Dieu Hospital
Organismes subventionnairesJanssen Research and DevelopmentNational Cancer Institute
Mots-clésMinimal residual diseaseClinical trialMedicineOncologyResidualDiseaseMultiple myelomaSelection (genetic algorithm)Internal medicineComputer scienceMachine learningAlgorithmLeukemia

Résumé

récupéré en direct d'OpenAlex

PURPOSE: We designed mathematical models to describe and quantify the mechanisms and dynamics of minimal residual disease (MRD) in order to better understand these MRD dynamics; inform future treatment design, including when to stop or change treatment; and extrapolate from current progression-free survival (PFS) times to predict future PFS curves. EXPERIMENTAL DESIGN: This study aims to model individual sequential MRD data from phase III clinical trials (MAIA, CASTOR, and POLLUX) using previously developed mathematical models, which will be modified as needed to accurately reflect the actual MRD data. These models will then be used to project PFS curves into the future. RESULTS: Patients with low MRD values either showed rapid disease regrowth, or the MRD values remained low for a prolonged period. Treatment seemed to be most effective in terms of cell kill within the first 6 to 12 months. Regrowth rates were correlated with estimated initial residual disease, particularly in MRD-negative patients. Three-year model extrapolations of PFS were closely comparable with clinical trial data. CONCLUSIONS: This model could provide early prediction of PFS outcomes, which otherwise takes lengthy periods of time to observe in clinical trials. Patients showing rapid rebound from low MRD values may benefit from adding another treatment before reaching progressive disease. The MRD analyses and results presented, such as the results about efficacy occurring early in the first 6 to 12 months, may help guide the development and selection of optimal regimens. Longer follow-up periods and application to other trials and datasets are required to substantiate these findings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,232
Tête enseignante GPT0,533
Écart entre enseignants0,301 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical Cancer ResearchMême sujetMultiple Myeloma Research and TreatmentsTravaux en français237 207