Plasma genotyping to identify novel resistance variants in advanced NSCLC(DISCOVER): Non-AGA report
Notice bibliographique
Résumé
Results: A total of 807 LBs were performed in 791 patients (51.3% female; median age 63.5; ECOG 1 90.4%; stage IV 84.3%).Tumor types included thoracic (46%), gastrointestinal (19%), breast (10%), gynecologic (7%), and others.Overall, 67.3% of LBs were informative, with a median turnaround of 11 days.Informativeness was higher in metastatic vs non-metastatic disease (71% vs 47%, p<0.001) and in progressive vs non-progressive patients (70% vs 39%, p<0.001).ESCAT I/II alterations were found in 37%, including 30.8% of those progressing without prior molecular findings (16.4% ESCAT I).MTB recommended targeted therapy in 25.6% (50% trials, 34% standard, 16% compassionate use).CH variants were detected in 91.5% of patients, most frequently in DNMT3A (69.76%),TP53 (34.94%),CHEK2 (29.98%),ATM (25%), TET2 (16.60%), and ASXL1 (10%).After CH exclusion, 81.7% (646 patients) remained informative, with actionable findings remaining at 37%.Suspected germline variants were identified in 5.9% overall.Conclusions: PRECISO provides a comprehensive pan-tumor real-world dataset integrating LB with MTB recommendations and systematic CH filtering.LB was feasible and clinically informative, supporting therapy recommendations in onefourth of patients.Although CH was highly prevalent, it did not alter actionable ESCAT detection.To our knowledge, this is among the largest prospective pantumor series systematically applying CH filtering in an MTB setting.
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 | 0,001 | 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 ».