19MO Desaminotyrosine is a key driver of the success of immunotherapy with fecal microbial transplantation in cancer
Notice bibliographique
Résumé
Background: LB has become a practical, non-invasive tool for genomic profiling.However, its interpretation often requires a MTB.We present results from the PRECISO program evaluating the integration of blood-based NGS into a real-world MTB for TM. Methods:We conducted a prospective analysis of patients (pts) with TM enrolled in the PRECISO program in Hospital 12 de Octubre (Feb 2024-Apr 2025).All underwent LB using FoundationOne ® Liquid CDx (Roche).We collected clinical variables, genomic findings, and MTB recommendations.Results: A total of 346 pts were included (45.1% female; 85.9% metastatic disease, median age 65).Most had ECOG 0-1 (86.7%) and NSCLC (98.3%: 20.5% squamous (sq), 77.8% non-sq); 1.6% mesothelioma and 0.1% thymic tumors.Samples were obtained at diagnosis (31.3%), progression (PD) (59.6%), or other settings (9.1%).Median turnaround time for NGS results was 15 days.ESCAT I/II alterations were detected in 33.2%/21.7% of pts.Excluding diagnostic samples, actionable ESCAT I alterations were identified in 10.1% of sq-NSCLC and 25.8% of non-sq NSCLC without prior molecular findings.At diagnosis, 78.8% of LBs were informative.Non-informative results were more likely in pts with non-progressive disease (OR 2.25; χ 2 p = 0.10), radiological response (OR 10.8; χ 2 p = 0.008) and non-metastatic status (OR 9.1; χ 2 p < 0.001).The MTB recommended targeted therapy in 26% of pts (13.9% trials, 7.8% standard, 4.3% compassionate use); 7.2% had suspected germline variants.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».