Machine Learning Models of Early Longitudinal Toxicity Trajectories Predict Cetuximab Concentration and Metastatic Colorectal Cancer Survival in the Canadian Cancer Trials Group/AGITG CO.17/20 Trials
Notice bibliographique
Résumé
PURPOSE Cetuximab (CET), targeting the epidermal growth factor receptor, is a systemic treatment option for patients with colorectal cancer. One known predictive factor for CET efficacy is the presence of CET-related rash; other putative toxicity factors include fatigue and nausea. Analysis of early CET-associated toxicities may reveal patient subpopulations that clinically benefit from long-term CET treatment. METHODS We analyzed data from CO.20 (ClinicalTrials.gov identifier: NCT00640471 ) trial arms, CET + brivanib alaninate (BRIV) (n = 376) and CET + placebo (n = 374), and CO.17 (ClinicalTrials.gov identifier: NCT00079066 ) trial arms, CET (+best supportive care [BSC]; n = 287) and BSC only (n = 285). Patients were clustered into subpopulations using KmL3D, a machine learning method, to analyze 14 joint longitudinal toxicity trajectories from weeks 0 to 8 of treatment. Landmark survival analyses were performed from 8 weeks after treatment initiation. Regression analyses assessed the relationship between subpopulations and plasma CET concentrations. Three supervised machine learning models were developed to assign patients in the CO.20-CET trial arm into subpopulations, which were then validated using CO.20-CET-BRIV and CO.17-CET trial arm data. RESULTS Joint longitudinal toxicity clustering revealed dichotomous high- and low-toxicity clusters, with all CET-containing arms showing consistent toxicity trajectories and characteristics. High-toxicity clusters were associated with male predilection, fewer metastatic sites, fewer colon-only primaries, and higher body mass indices. In CO.20 trial samples, higher toxicity clusters were associated with improved overall survival and progression-free survival outcomes (adjusted hazard ratios ranging from 2.21 to 4.36) and higher CET concentrations ( P = .003). The random forest predictive model performed the best, with an AUC of 0.981 (0.963-0.999). CONCLUSION We used an innovative machine learning approach to analyze longitudinal joint drug toxicities, demonstrating their role in predicting patient outcomes through a putative pharmacokinetic mechanism.
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 | 0,022 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».