Does RSClin provide additional information over classic clinico-pathologic scores (PREDICT 2.1, INFLUENCE 2.0, CTS5)?
Notice bibliographique
Résumé
PURPOSE: Few studies have compared the performance of gene-expression profiling tests (e.g. Oncotype-Dx) to clinico-pathologic risk calculators (e.g. PREDICT 2.1, INFLUENCE 2.0, and CTS5) or tools that combine both (e.g. RSClin) in patients with early breast cancer (EBC). A large trial dataset was used to evaluate the prognostic performance of different tests based on patient outcomes. METHODS: The TEAM pathology cohort accrued samples from 4736 postmenopausal hormone positive women with EBC, treated with either exemestane or tamoxifen followed by exemestane. Oncotype-Dx-trained risk scores were previously generated by gene-expression profiling. Patient data was used to calculate various recurrence scores. Analysis was restricted to the N0/N1 population and prognostic ability of selected risk tools was assessed using Cox regression analysis and Harrell's C-statistic. RESULTS: Results were available for 2065 patients. There was low correlation between PREDICT 2.1 (r = -0.12), INFLUENCE 2.0 (r = 0.20), CTS5 (r = 0.16) with Oncotype-Dx-trained results. In N0 patients, RSClin had improved prognostic ability (C-statistic = 0.66) on DMFS compared to PREDICT 2.1 (0.60), INFLUENCE 2.0 (0.57), CTS-5 (0.62), and Oncotype-Dx (0.63). CONCLUSION: Combining molecular and clinico-pathologic factors enhances prognostic information. However, the impact of this on actual patient management requires further prospective validation. The trial is registered with clinicaltrials.gov NCT00279448 and NCT00032136; with Netherlands Trial Register, number NTR 267; and the Ethics Commission Trial, number 27/2001.
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) | 0,000 | 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 ».