Abstract De novo RNA-Seq assembly facilitates the study of transcriptomes for species without sequenced genomes, but it is challenging to select the most accurate assembly in this context. To address this challenge, we developed a model-based score, RSEM-EVAL, for evaluating assemblies when the ground truth is unknown. We show that RSEM-EVAL correctly reflects assembly accuracy, as measured by REF-EVAL, a refined set of ground-truth-based scores that we also developed. Guided by RSEM-EVAL, we assembled the transcriptome of the regenerating axolotl limb; this assembly compares favorably to a previous assembly. A software package implementing our methods, DETONATE, is freely available at http://deweylab.biostat.wisc.edu/detonate .

Abstract Pancreatic cancer is an aggressive disease that typically presents late with poor patient outcomes. There is a pronounced medical need for early detection of pancreatic cancer, which can be addressed by identifying high-risk populations. Here we apply artificial intelligence (AI) methods to a dataset of 6 million patient records with 24,000 pancreatic cancer cases in the Danish National Patient Registry (DNPR) and, for comparison, a dataset of three million records with 3,900 pancreatic cancer cases in the United States Department of Veterans Affairs (US-VA) healthcare system. In contrast to existing methods that do not use temporal information, we explicitly train machine learning models on the time sequence of diseases in patient clinical histories and test the ability to predict cancer occurrence in time intervals of 3 to 60 months after risk assessment. For cancer occurrence within 36 months, the performance of the best model (AUROC=0.88, DNPR), trained and tested on disease trajectories, exceeds that of a model without longitudinal information (AUROC=0.85, DNPR). Performance decreases when disease events within a 3 month window before cancer diagnosis are excluded from training (AUROC[3m]=0.83). Independent training and testing on the US-VA dataset reaches comparable performance (AUROC=0.78, AUROC[3m]=0.76). These results raise the state-of-the-art level of performance of cancer risk prediction on real-world data sets and provide support for the design of prediction-surveillance programs based on risk assessment in a large population followed by affordable surveillance of a relatively small number of patients at highest risk. Use of AI on real-world clinical records has the potential to shift focus from treatment of late-stage to early-stage cancer, benefiting patients by improving lifespan and quality of life.

Abstract Importance: Since the early days of the pandemic, COVID-19 hospitalizations have been used as a measure of pandemic severity. However, case definitions do not include assessments of disease severity, which may be impacted by prior vaccination. Objective: To measure how the severity of respiratory disease changed among inpatients with documented SARS-CoV-2 infection and to measure the impact of vaccination status on these trends, in order to evaluate the accuracy of the metric of “hospitalization plus a positive SARS-CoV-2 test” for tracking pandemic severity. Design: Retrospective cohort of inpatients with laboratory-confirmed SARS-CoV-2. All data were obtained from electronic health records. Setting: Multi-center, nationwide study conducted in the healthcare system of the US Department of Veterans Affairs (VA) from March 1, 2020, through June 30, 2021. Participants: All VA patients admitted to a VA hospital with a laboratory-confirmed SARS-CoV-2 infection within the 14-days prior to admission or during the hospital admission. Main Outcome: Moderate-to-severe COVID-19 disease, defined by use of any supplemental oxygen or documented SpO2 <94%, during an inpatient hospitalization between one day before and two weeks after a positive SARS-CoV-2 test. Exposure: SARS-CoV-2 vaccination status at the time of hospitalization. Patients were regarded as fully vaccinated starting 14 days after receiving the second of a 2-dose regimen or 14 days after receipt of a single-dose vaccine. Results : Among 47,742 admissions in 38,508 unique patients with laboratory-confirmed SARS-CoV-2, N=28,731 met the criteria for moderate-to-severe COVID-19. The proportion with moderate-to-severe disease prior to widespread vaccine availability was 64.0% (95% CI, 63.1-64.9%) versus 52.0% in the later period (95% CI, 50.9-53.2%), p-value for non-constant effect, <0.001. Disease severity in the vaccine era among hospitalized patients was lower among both unvaccinated (55.0%, 95% CI, 53.7-56.4%) and vaccinated patients (42.6%, 95% CI, 40.6-44.8%). Conclusions and Relevance : The proportion of hospitalizations that are due to severe COVID-19 has changed with vaccine availability, thus, increasing proportions of mild and asymptomatic cases are included in hospitalization reporting metrics. The addition of simple measures of disease severity to the case definition of a SARS-CoV-2 hospitalization is a straightforward and objective change that should improve the value of the metric for tracking SARS-CoV-2 disease burden.

1620 Background: We previously operationalized the NCCN list of high-risk medications in older adults into a measurable scale—Geriatric Oncology Potentially Inappropriate Medications (GO-PIMs)—to aid oncology teams in identifying PIMs and understand their impact (1). This scale revealed that PIMs were prevalent and associated with frailty in older patients with blood cancers. The current study aims to evaluate the ability of GO-PIMs to identify high-risk medications and their impact in patients with both solid and liquid tumors managed in a large national healthcare system. Methods: We performed a retrospective cohort study using data from the national Veterans Affairs (VA) Cancer Registry and electronic health record, including all veterans newly diagnosed with a solid or liquid malignancy in the years 2000-2023.The number of GO-PIMs for each patient were measured among outpatient pharmacy prescriptions in the 90 days preceding the initial diagnosis date (the index date). We evaluated the association of PIMs with baseline frailty (the electronic Veterans Affairs-Frailty Index [VA-FI], categorized as nonfrail [0-0.2], mildly frail [>0.2-0.3], and moderate-to-severely frail [>0.3]), time to unplanned hospitalization, and mortality in multivariable models adjusting for age, gender, cancer type and stage, Charlson comorbidity index, and socioeconomic factors (rurality, area deprivation index, and history of homelessness). Results: Among 307,487 newly diagnosed patients (median age 68.5, IQR 62.1-75.8; most common cancers: prostate [20.5%], lung [23.1%], GI [21.3%]), GO-PIMs were prevalent (39% patients with ≥1 GO-PIM). The most common classes of PIMs were SSRIs (12.4%); opioids (10.7%); benzodiazepines (9.5%), and corticosteroids (9.5%). Each additional PIM increased the odds of being mild or moderate-to-severely frail at diagnosis by 65%, controlling for all covariates (ordinal regression adjusted OR [aOR] 1.65, 95% CI 1.63-1.66). Increasing number of PIMs was also associated with a higher hazard of unplanned hospitalization (Cox regression aHR 1.04, 95% CI 1.04-1.05) and death (Cox regression aHR 1.05, 95% CI 1.05-1.06), controlling for frailty and all covariates. Conclusions: Independently of cancer type and stage, comorbidity, and other covariates, increasing PIMs identified by the GO-PIMs scale was associated with an increased risk of frailty at diagnosis, unplanned hospitalization in follow-up, and death. We are implementing the GO-PIMs scale in a clinician-facing application that will automate real-time detection of PIMs and recommendations for oncology teams in routine clinical practice. 1. Hshieh and DuMontier et al., J Natl Compr Canc Netw, 2022.