Identifying predictors of overall survival among patients with TMB-low metastatic cancer treated with immune checkpoint inhibitors
Notice bibliographique
Résumé
BACKGROUND: Immune checkpoint inhibitors (ICIs) have significantly advanced cancer therapy, yet their efficacy in tumors with low tumor mutational burden (TMB) remains suboptimal. In this study, we aimed to elucidate the impact of somatic mutations on overall survival (OS) in TMB-low patients treated with ICIs and to explore the potential for personalized treatment selection through machine learning. METHODS: We conducted a comprehensive analysis of 1172 TMB-low (TMB < 10 mutations per megabase) patients with cancer receiving ICIs, examining the association between specific gene mutations and OS. Additionally, we developed a decision tree model (DTM) to predict OS based on clinical features and tumor mutational profiles. RESULTS: Our findings reveal that mutations in DAXX, HLA-A, H3C2, IGF1R, CTNNB1, SMARCA4, KMT2D, and TP53 are significantly associated with poorer survival outcomes in the multivariate analysis. Remarkably, for renal cell carcinoma (RCC) patients, VHL mutations predicted improved OS following ICI even when adjusted for age, sex, and microsatellite instability (MSI) status in both multivariate analysis and the DTM model. CONCLUSIONS: These results reinforce the prevailing notion that TMB alone does not predict ICI response, highlighting the critical role of individual gene mutations in TMB-low tumors under ICI therapy. Furthermore, our study demonstrates the promise of machine learning models in optimizing ICI treatment decisions, paving the way for more precise and effective therapeutic strategies in this patient population.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».