Primary infliximab failure in pediatric colonic inflammatory bowel disease: Development of a proteomics predictive model using a prospective Canadian cohort
Notice bibliographique
Résumé
BACKGROUND: We aimed to build a serum proteomics-based model to predict primary nonresponse (PNR) to infliximab (IFX) in pediatric colonic inflammatory bowel disease, with early proactive therapeutic drug monitoring. METHODS: Children in the prospective Canadian Children IBD Network with ulcerative colitis (UC), inflammatory bowel disease unclassified (IBD-U), or colonic Crohn's disease (CD) with serum pre-IFX were eligible. We defined PNR as IFX cessation plus surgery/drug switch within 6 months. We compared clinical features between groups (Mann Whitney U, chi-square test). We measured serum proteins with Olink Inflammation/Immune Response panels. We built a regularized regression (generalized linear model [GLM]) machine learning model and compared its performance with other models with 10-fold cross-validation repeated 10 times (receiver-operating characteristic/precision-recall curves, predictive score separation). We ranked proteomic features by SHAP (SHapley Additive exPlanations) analysis. We hypothesized that treatment-naïve serum would be more informative than treatment-exposed serum. RESULTS: We included 96 patients: 71 UC/IBD-U (23 nonresponders), 42 treatment-naïve (12 nonresponders); and 25 CD, 19 treatment-naïve. Pre-third and pre-fourth dose serum infliximab levels were similar and robust (>10 µg/mL) in primary nonresponders and responders. Predictive performance was superior for diagnostic, treatment-naïve samples; the GLM showed good ability to separate primary nonresponders and responders. The GLM model on treatment-naïve serum (area under the curve ∼0.75) had better specificity to predict responders and included 21 proteins, with CSF1 and ITM2A top ranked. UC/IBD-U responders more often were steroid refractory and received infliximab as first maintenance. CONCLUSIONS: A serum proteomics linear model on treatment-naïve serum best predicted PNR. Findings require external validation but suggest that the diagnostic/pretreatment window may be key to understanding biology central to effective drug sequencing.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».