Abstract Purpose: Expression profiling studies classified breast carcinomas into estrogen receptor (ER)+/luminal, normal breast-like, HER2 overexpressing, and basal-like groups, with the latter two associated with poor outcomes. Currently, there exist clinical assays that identify ER+/luminal and HER2-overexpressing tumors, and we sought to develop a clinical assay for breast basal-like tumors. Experimental Design: To identify an immunohistochemical profile for breast basal-like tumors, we collected a series of known basal-like tumors and tested them for protein patterns that are characteristic of this subtype. Next, we examined the significance of these protein patterns using tissue microarrays and evaluated the prognostic significance of these findings. Results: Using a panel of 21 basal-like tumors, which was determined using gene expression profiles, we saw that this subtype was typically immunohistochemically negative for estrogen receptor and HER2 but positive for basal cytokeratins, HER1, and/or c-KIT. Using breast carcinoma tissue microarrays representing 930 patients with 17.4-year mean follow-up, basal cytokeratin expression was associated with low disease-specific survival. HER1 expression was observed in 54% of cases positive for basal cytokeratins (versus 11% of negative cases) and was associated with poor survival independent of nodal status and size. c-KIT expression was more common in basal-like tumors than in other breast cancers but did not influence prognosis. Conclusions: A panel of four antibodies (ER, HER1, HER2, and cytokeratin 5/6) can accurately identify basal-like tumors using standard available clinical tools and shows high specificity. These studies show that many basal-like tumors express HER1, which suggests candidate drugs for evaluation in these patients.

Thorn, Caroline F.; Oshiro, Connie; Marsh, Sharon; Hernandez-Boussard, Tina; McLeod, Howard; Klein, Teri E.; Altman, Russ B. Author Information

Background Breast cancer cell lines have been used widely to investigate breast cancer pathobiology and new therapies. Breast cancer is a molecularly heterogeneous disease, and it is important to understand how well and which cell lines best model that diversity. In particular, microarray studies have identified molecular subtypes–luminal A, luminal B, ERBB2-associated, basal-like and normal-like–with characteristic gene-expression patterns and underlying DNA copy number alterations (CNAs). Here, we studied a collection of breast cancer cell lines to catalog molecular profiles and to assess their relation to breast cancer subtypes. Methods Whole-genome DNA microarrays were used to profile gene expression and CNAs in a collection of 52 widely-used breast cancer cell lines, and comparisons were made to existing profiles of primary breast tumors. Hierarchical clustering was used to identify gene-expression subtypes, and Gene Set Enrichment Analysis (GSEA) to discover biological features of those subtypes. Genomic and transcriptional profiles were integrated to discover within high-amplitude CNAs candidate cancer genes with coordinately altered gene copy number and expression. Findings Transcriptional profiling of breast cancer cell lines identified one luminal and two basal-like (A and B) subtypes. Luminal lines displayed an estrogen receptor (ER) signature and resembled luminal-A/B tumors, basal-A lines were associated with ETS-pathway and BRCA1 signatures and resembled basal-like tumors, and basal-B lines displayed mesenchymal and stem/progenitor-cell characteristics. Compared to tumors, cell lines exhibited similar patterns of CNA, but an overall higher complexity of CNA (genetically simple luminal-A tumors were not represented), and only partial conservation of subtype-specific CNAs. We identified 80 high-level DNA amplifications and 13 multi-copy deletions, and the resident genes with concomitantly altered gene-expression, highlighting known and novel candidate breast cancer genes. Conclusions Overall, breast cancer cell lines were genetically more complex than tumors, but retained expression patterns with relevance to the luminal-basal subtype distinction. The compendium of molecular profiles defines cell lines suitable for investigations of subtype-specific pathobiology, cancer stem cell biology, biomarkers and therapies, and provides a resource for discovery of new breast cancer genes.

Abstract Breast cancer is a leading cause of cancer‐death among women, where the clinicopathological features of tumors are used to prognosticate and guide therapy. DNA copy number alterations (CNAs), which occur frequently in breast cancer and define key pathogenetic events, are also potentially useful prognostic or predictive factors. Here, we report a genome‐wide array‐based comparative genomic hybridization (array CGH) survey of CNAs in 89 breast tumors from a patient cohort with locally advanced disease. Statistical analysis links distinct cytoband loci harboring CNAs to specific clinicopathological parameters, including tumor grade, estrogen receptor status, presence of TP 53 mutation, and overall survival. Notably, distinct spectra of CNAs also underlie the different subtypes of breast cancer recently defined by expression‐profiling, implying these subtypes develop along distinct genetic pathways. In addition, higher numbers of gains/losses are associated with the “basal‐like” tumor subtype, while high‐level DNA amplification is more frequent in “luminal‐B” subtype tumors, suggesting also that distinct mechanisms of genomic instability might underlie their pathogenesis. The identified CNAs may provide a basis for improved patient prognostication, as well as a starting point to define important genes to further our understanding of the pathobiology of breast cancer. This article contains Supplementary Material available at http://www.interscience.wiley.com/jpages/1045‐2257/suppmat . © 2006 Wiley‐Liss, Inc.

The explosion in the number of functional genomic datasets generated with tools such as DNA microarrays has created a critical need for resources that facilitate the interpretation of large-scale biological data. SOURCE is a web-based database that brings together information from a broad range of resources, and provides it in manner particularly useful for genome-scale analyses. SOURCE's GeneReports include aliases, chromosomal location, functional descriptions, GeneOntology annotations, gene expression data, and links to external databases. We curate published microarray gene expression datasets and allow users to rapidly identify sets of co-regulated genes across a variety of tissues and a large number of conditions using a simple and intuitive interface. SOURCE provides content both in gene and cDNA clone-centric pages, and thus simplifies analysis of datasets generated using cDNA microarrays. SOURCE is continuously updated and contains the most recent and accurate information available for human, mouse, and rat genes. By allowing dynamic linking to individual gene or clone reports, SOURCE facilitates browsing of large genomic datasets. Finally, SOURCEs batch interface allows rapid extraction of data for thousands of genes or clones at once and thus facilitates statistical analyses such as assessing the enrichment of functional attributes within clusters of genes. SOURCE is available at http://source.stanford.edu .

Exsanguinating hemorrhage necessitating massive blood product transfusion is associated with high mortality rates. Recent data suggest that altering the fresh frozen plasma to packed red blood cell ratio (FFP:PRBC) results in significant mortality reductions. Our purpose was to evaluate mortality and blood product use in the context of a newly initiated massive transfusion protocol (MTP).In July 2005, our American College of Surgeons-verified Level I trauma center implemented an MTP supporting a 1:1.5 FFP:PRBC ratio, improved communications, and enhanced systems flow to optimize rapid blood product availability. During the 4 years surrounding protocol implementation, we reviewed data on trauma patients directly admitted through the emergency department and requiring 10 or more units PRBCs during the first 24 hours.For the 2 years before and subsequent to MTP initiation, there were 4,223 and 4,414 trauma activations, of which 40 and 37 patients, respectively, met study criteria. The FFP:PRBC ratios were identical, at 1:1.8 and 1:1.8 (p = 0.97). Despite no change in FFP:PRBC ratio, mortality decreased from 45% to 19% (p = 0.02). Other significant findings included decreased mean time to first product: cross-matched RBCs (115 to 71 minutes; p = 0.02), FFP (254 to 169 minutes; p = 0.04), and platelets (418 to 241 minutes; p = 0.01).MTP implementation is associated with mortality reductions that have been ascribed principally to increased plasma use and decreased FFP:PRBC ratios. Our study found a significant reduction in mortality despite unchanged FFP:PRBC ratios and equivalent overall mean numbers of transfusions. Our data underscore the importance of expeditious product availability and emphasize that massive transfusion is a complex process in which product ratio and time to transfusion represent only the beginning of understanding.

The Ontology for Biomedical Investigations (OBI) is an ontology that provides terms with precisely defined meanings to describe all aspects of how investigations in the biological and medical domains are conducted. OBI re-uses ontologies that provide a representation of biomedical knowledge from the Open Biological and Biomedical Ontologies (OBO) project and adds the ability to describe how this knowledge was derived. We here describe the state of OBI and several applications that are using it, such as adding semantic expressivity to existing databases, building data entry forms, and enabling interoperability between knowledge resources. OBI covers all phases of the investigation process, such as planning, execution and reporting. It represents information and material entities that participate in these processes, as well as roles and functions. Prior to OBI, it was not possible to use a single internally consistent resource that could be applied to multiple types of experiments for these applications. OBI has made this possible by creating terms for entities involved in biological and medical investigations and by importing parts of other biomedical ontologies such as GO, Chemical Entities of Biological Interest (ChEBI) and Phenotype Attribute and Trait Ontology (PATO) without altering their meaning. OBI is being used in a wide range of projects covering genomics, multi-omics, immunology, and catalogs of services. OBI has also spawned other ontologies (Information Artifact Ontology) and methods for importing parts of ontologies (Minimum information to reference an external ontology term (MIREOT)). The OBI project is an open cross-disciplinary collaborative effort, encompassing multiple research communities from around the globe. To date, OBI has created 2366 classes and 40 relations along with textual and formal definitions. The OBI Consortium maintains a web resource (http://obi-ontology.org) providing details on the people, policies, and issues being addressed in association with OBI. The current release of OBI is available at http://purl.obolibrary.org/obo/obi.owl.

The rise of digital data and computing power have contributed to significant advancements in artificial intelligence (AI), leading to the use of classification and prediction models in health care to enhance clinical decision-making for diagnosis, treatment and prognosis. However, such advances are limited by the lack of reporting standards for the data used to develop those models, the model architecture, and the model evaluation and validation processes. Here, we present MINIMAR (MINimum Information for Medical AI Reporting), a proposal describing the minimum information necessary to understand intended predictions, target populations, and hidden biases, and the ability to generalize these emerging technologies. We call for a standard to accurately and responsibly report on AI in health care. This will facilitate the design and implementation of these models and promote the development and use of associated clinical decision support tools, as well as manage concerns regarding accuracy and bias.

Objective To assess how common it is to have multiple overlapping meta-analyses of randomized trials published on the same topic. Design Survey of published meta-analyses. Data sources PubMed. Study selection and methods Meta-analyses published in 2010 were identified, and 5% of them were randomly selected. We further selected those that included randomized trials and examined effectiveness of any medical intervention. For eligible meta-analyses, we searched for other meta-analyses on the same topic (covering the same comparisons, indications/settings, and outcomes or overlapping subsets of them) published until February 2013. Results Of 73 eligible meta-analyses published in 2010, 49 (67%) had at least one other overlapping meta-analysis (median two meta-analyses per topic, interquartile range 1-4, maximum 13). In 17 topics at least one author was involved in at least two of the overlapping meta-analyses. No characteristics of the index meta-analyses were associated with the potential for overlapping meta-analyses. Among pairs of overlapping meta-analyses in 20 randomly selected topics, 13 of the more recent meta-analyses did not include any additional outcomes. In three of the four topics with eight or more published meta-analyses, many meta-analyses examined only a subset of the eligible interventions or indications/settings covered by the index meta-analysis. Conversely, for statins in the prevention of atrial fibrillation after cardiac surgery, 11 meta-analyses were published with similar eligibility criteria for interventions and setting: there was still variability on which studies were included, but the results were always similar or even identical across meta-analyses. Conclusions While some independent replication of meta-analyses by different teams is possibly useful, the overall picture suggests that there is a waste of efforts with many topics covered by multiple overlapping meta-analyses.

Background Blood transfusion has been cited as one of the five most overutilized therapeutic procedures in the U nited S tates. We assessed the impact of clinical decision support at computerized physician order entry and education on red blood cell ( RBC ) transfusions and clinical patient outcomes at our institution. Study Design and Methods Clinical patient outcomes and RBC transfusions were assessed before and after implementation of a best practice alert triggered for transfusions when the hemoglobin level was higher than 7 g/ dL for all inpatient discharges from J anuary 2008 through D ecember 2013. Retrospective clinical and laboratory data related to RBC transfusions were extracted: case‐mix complexity, patient discharges and selected surgical volumes, and patient outcomes (mortality, 30‐day readmissions, length of stay). Results There was a significant improvement in RBC utilization as assessed by RBC units transfused per 100 patient‐days‐at‐risk. Concurrently, hospital‐wide clinical patient outcomes showed improvement (mortality, p = 0.034; length of stay, p = 0.003) or remained stable (30‐day readmission rates, p = 0.909). Outcome improvements were even more pronounced in patients who received blood transfusions, with decreased mortality rate (55.2 to 33.0, p < 0.001), length of stay (mean, 10.1 to 6.2 days, p < 0.001), and 30‐day readmission rate (136.9 to 85.0, p < 0.001). The mean number of units transfused per patient also declined (3.6 to 2.7, p < 0.001). Acquisition costs of RBC units per 1000 patient discharges decreased from $283,130 in 2009 to $205,050 in 2013 with total estimated savings of $6.4 million and likely far greater impact on total transfusion‐related costs. Conclusion Improved blood utilization is associated with improved clinical patient outcomes.