त्रैतीय-नकारात्मक स्तन कैंसर में ट्यूमर-भेदन लिम्फोसाइट्स का उपयोग करते हुए कीमोइम्यूनोथेरेपी के लिए पैथोलॉजिकल संपूर्ण प्रतिक्रिया की भविष्यवाणी: कटऑफ मानों का दोहन।

e12629 पृष्ठभूमि: त्रैतीय-नकारात्मक स्तन कैंसर (TNBC) की भविष्वाणी पर ट्यूमर-भेदन लिम्फोसाइट्स (TILs) का महत्वपूर्ण प्रभाव पड़ता है, लेकिन मान्यता प्राप्त कटऑफ मानों की कमी ने उनकी नैदानिक उपयोगिता को सीमित कर दिया है। नवजात पेम्ब्रोलिज़ुमैब और कीमोथेरेपी (P+CT) के नए उपचार मानक के युग में, कीमोइम्यूनोथेरेपी के प्रति प्रतिक्रिया के पूर्वानुमानक के रूप में TILs की भूमिका अनिश्चित बनी हुई है। विधियाँ: इस अध्ययन का उद्देश्य TILs का पैथोलॉजिकल संपूर्ण प्रतिक्रिया (pCR) के पूर्वानुमानक के रूप में मूल्यांकन करना था, जो कि TNBC में नवजात P+CT के बारे में एक बहु-केंद्र, वास्तविक विश्व डेटा जांच Neo-Real अध्ययन के अंतर्गत था। TILs का मूल्यांकन अंतर्राष्ट्रीय TILs कार्य समूह की मानकीकृत पद्धति का उपयोग करके किया गया। TILs अभिव्यक्ति और pCR के लिए बहुविवरणीय मॉडलों की पूर्वानुमानात्मक क्षमता का मूल्यांकन करने के लिए लॉजिस्टिक रिग्रेशन और रिसीवर ऑपरेटिंग विशेषता (ROC) वक्र विश्लेषण किया गया। परिणाम: विश्लेषण में 128 रोगियों (pts) को नवजात P+CT (68% चरण II, 26% चरण III) से उपचारित किया गया। प्रत्येक TILs श्रेणी में pts का अनुपात और ROC वक्र विश्लेषण के परिणाम तालिका में प्रस्तुत किए गए हैं। 10% का एक कटऑफ मान pCR की भविष्यवाणी में उच्चतम सटीकता दिखाता है, जबकि 50% के कटऑफ मान पर उच्च विशिष्टता देखी गई। इस प्रकार, यदि TILs ≥ 50% है तो अवशिष्ट रोग की संभावना काफी कम है। श्रेणीबद्ध नैदानिक और पैथोलॉजिकल चर शामिल करते हुए, TILs (≥ 10% बनाम < 10%), Ki67 (≥ 50% बनाम < 50%) और ट्यूमर चरण (III बनाम II) का उपयोग करके एक बहुविवरणीय लॉजिस्टिक रिग्रेशन मॉडल, pCR की भविष्यवाणी के लिए उच्चतम AUC (0.688) प्रदर्शित करता है। निष्कर्ष: हमारा अध्ययन TNBC में नवजात P+CT के बाद pCR के लिए TILs के पूर्वानुमानात्मक मूल्य को रेखांकित करता है। ≥ 50% का कटऑफ मान उन रोगियों की पहचान करता है जिनमें pCR की बहुत उच्च संभावना होती है। परिणाम TILs के उपचार कमी के लिए बायोमार्कर के रूप में उपयोग को मजबूती प्रदान करते हैं, विशेष रूप से उन pts के लिए जिनमें TILs ≥ 50% हैं। TILs की पूर्वानुमानात्मक क्षमता को बहुविवरणीय मॉडलों के माध्यम से और बढ़ाया जा सकता है। तालिका: पाठ देखें।