Standard chemotherapy is associated with low response rates and short progression-free survival among patients with pretreated metastatic triple-negative breast cancer. Sacituzumab govitecan-hziy is an antibody–drug conjugate that combines a humanized monoclonal antibody, which targets the human trophoblast cell-surface antigen 2 (Trop-2), with SN-38, which is conjugated to the antibody by a cleavable linker. Sacituzumab govitecan-hziy enables delivery of high concentrations of SN-38 to tumors.

Background: Women with cosmetic breast implants have significantly lower rates of subsequent breast cancer than the general population (relative risk, 0.63; 95 percent CI, 0.56 to 0.71). The authors hypothesize that breast implant-induced local inflammation stimulates immunosurveillance recognition of breast tumor antigen. Methods: Sera were collected from two cohorts of healthy women: women with long-term breast implants (i.e., breast implants for >6 months) and breast implant-naive women. Antibody responses to breast tumor antigens were tested by enzyme-linked immunosorbent assay and compared between cohorts by unpaired t test. Of the implant-naive cohort, nine women underwent breast augmentation, and antibody responses before and after implant placement were compared by paired t test. Results: Sera were collected from 104 women: 36 (34.6 percent) long-term breast implants and 68 (65.4 percent) implant-naive women. Women with long-term breast implants had higher antibody responses than implant-naive women to mammaglobin-A (optical density at 450 nm, 0.33 versus 0.22; p = 0.003) and mucin-1 (optical density at 450 nm, 0.42 versus 0.34; p = 0.02). There was no difference in antibody responses to breast cancer susceptibility gene 2, carcinoembryonic antigen, human epidermal growth factor receptor-2, or tetanus. Nine women with longitudinal samples preoperatively and 1 month postoperatively demonstrated significantly elevated antibody responses following implant placement to mammaglobin-A (mean difference, 0.13; p = 0.0002) and mucin-1 (mean difference 0.08; p = 0.02). There was no difference in postimplant responses to other breast tumor antigens, or tetanus. Conclusions: Women with long-term breast implants have higher antibody recognition of mammaglobin-A and mucin-1. This study provides the first evidence of implant-related immune responses to breast cancer antigens. CLINICAL QUESTION/LEVEL OF EVIDENCE: Therapeutic, V.

BACKGROUND: Women with cosmetic breast implants have significantly lower rates of subsequent breast cancer than the general population.1 We hypothesize breast implant-induced local inflammation stimulates immunosurveillance recognition of breast tumor antigen. METHODS: Women with breast-related complaints were recruited from the plastic surgery clinic. Sera was collected and tested via ELISA assay for antibody responses to common breast tumor antigens: BRCA2, CEA, HER-2, mammaglobin-A and MUC-1, as well as tetanus. A cohort of patients had sera collected prospectively to allow comparison of pre- and postimplant placement. Antibody response levels between long-term breast implant (LTBI) and implant-naive (IN) groups were compared with unpaired t test. Antibody responses pre- and postimplant placement were compared with paired t test. Statistical analysis was performed with Graphpad Prism v8.0.2. RESULTS: One hundred four women were recruited. Thirty-six (34.6%) had LTBI, whereas 68 (65.4%) were IN. Women with LTBI had higher antibody responses than those with IN to mammaglobin-A (OD450, 0.33 versus 0.22; P = 0.003) and MUC-1 (OD450, 0.42 versus 0.34; P = 0.02). There was no difference in antibody responses to BRCA2, CEA, HER-2, or tetanus. In the sample of patients with longitudinal sera samples pre- and postoperative, antibody responses postimplant placement were significantly increased to mammaglobin-A (mean difference 0.13, P = 0.0002) and MUC-1 (mean difference 0.08, P = 0.02). There was no difference in postimplant responses to BRCA2, CEA, HER-2, or tetanus. There was no difference in antibody responses between women with or without capsular contracture, with or without rupture, with or without surface texture, or with subglandular versus submuscular placement. CONCLUSION: Women with LTBI have higher antibody recognition of breast tumor-associated antigens mammaglobin-A and MUC1. This study provides the first evidence of implant-related immune responses to breast cancer antigens. REFERENCE: 1. Noels EC, Lapid O, Lindeman JHN, et al. Breast implants and the risk of breast cancer: a meta-analysis of cohort studies. Aesthetic Surg J. 2015;35:55–62.

e23253 Background: This study attempted to address limitations in the A-PROACCT model developed by Stein et al. (JOP, 2023) to predict the rate of acute care events within 30 days (ACE30) of initial chemotherapy administration (ICA). The four most important predictors were drug category (immunotherapy), cancer type (gastrointestinal), age group ( < 40), and BMI category (underweight). Only linear relationships were considered. For patients for whom an ACE30 was predicted by their first and second models, only 0.18 and 0.23 actually had an ACE30, a low positive predictive value (PPV). We attempted to improve the PPV with advanced modeling techniques. Methods: Using Orlando Health data between February of 2012 and April 2021, random sampling was used to split the dataset into training (10,838) and validation (4645). For the training data, resampling was employed to obtain a balanced quota, equal observations followed by an ACE30 and not followed by an ACE30. We included only variables used in Stein (drug category, age group, ED visits and hospitalizations in the prior year, cancer type, insurance category, number of anti-cancer agents, race, and BMI category). Logistic regression with L1-penalty, XGBoost (a non-linear nonparametric tree-based algorithm to account for nonlinear relationships), and artificial neural networks were used to develop and evaluate predictive models. Different sampling methods (bootstrap and SMOTE) as well as cuff-off thresholds for high-risk groups were tested. Results: Based on evaluation with validation data set, the best performing approach was an XGBoost model with SMOTE resampling in the training data. The four most important predictors were ED visits in the prior year, payor category (self-insured), cancer type (genitourinary) and hospitalization in past year. This model reported a PPV of 0.27. Many other combinations of methodologies described above were performed, and the PPV varied between 0.19 to 0.27. Of the 282 ICAs identified as high-risk by the best model, 76 (27.0%) had an ACE30. Of the 4346 ICAs identified as low-risk, 533 (12.3%) had an ACE30. The differences between high risk and low risk ACE30 rates were statistically significant (p < 0.0001). In comparison, using Stein et al. models with our data reported a PPV of 0.27 and 0.25 which are basically at the same level of our best trained model. Conclusions: Using the variables included in A-PROACCT and a variety of machine learning models, advanced sampling methodologies and threshold cut-off limits, the best results were similar to those obtained using basic logistic regression. This suggests improvement in predicting acute care events following chemotherapy administration need to incorporate more extensive multimodal data, such as vital signs, performance status, patient reported outcomes, socioeconomic factors, laboratory and radiology results, remote patient monitoring and wearable device data.

e23243 Background: This study assessed model performance and, more importantly, the clinical usefulness of the PROACCT model created by Grant et al. (JAMA, 2019), refined as A-PROACCT by Stein et al. (JOP, 2023) with data from Orlando Health. The predictive performance of models anticipating acute care events within thirty days (ACE30) of initial chemotherapy administration (ICA) were evaluated. Methods: Stein et al. models classified high-risk patients as those whose model output risk score was at or above the 90 th percentile. They studied 5153 ICAs between July and November of 2021, of which 559 (10.8%) had an ACE30. Their first model used drug category, age group, ED visits and hospitalizations in the prior year, and cancer type, and had sensitivity (Sen), specificity, (Spec), C-Statistic (C-Stat), and positive predictive value (PPV) of 0.28, 0.93, 0.79 and 0.18 respectively. Their second model added insurance category, number of anti-cancer agents, race, and BMI category and reported Sen, Spec, C-Stat, and PPV of 0.30, 0.94, 0.80 and 0.23 respectively. Of the high-risk patients, 33.6% and 34.1% had an ACE30 respectively. Of the low-risk patients, 8.3% and 8.1% had an ACE30 respectively. Our data were propagated through the two models. Results: Between February of 2012 and April 2021, Orlando Health had 15,483 distinct patient visits with ICAs. Overall, 2046 (13.2%) had an ACE30. Model one had Sen, Spec, C-Stat, and PPV of 0.19, 0.92, 0.65 and 0.27 respectively. Model two had Sen, Spec, C-Stat, and PPV of 0.19, 0.91, 0.65 and 0.25 respectively. Both models had an accuracy of 0.82. This demonstrated our data fit the Stein model. Of the 1460 ICAs identified as high-risk by model one, 387 (26.5%) had an ACE30, and of the 14,023 ICAs identified as low-risk, 1659 (11.8%) had an ACE30. Of the 1549 ICAs identified as high-risk by model two, 393 (25.4%) had an ACE30, and of the 13,934 ICAs identified as low-risk, 1653 (11.9%) had an ACE30. The difference of ACE30 rates between high risk and low risk groups were statistically significant (p < 0.0001) in both models. This demonstrated both models were clinically useful in identifying chemotherapy patients at high risk of acute care events. Conclusions: These models allowed for clinically relevant stratification of patients into meaningful high-risk and low-risk groups (26.5% vs 11.8% with our data) for risk of acute care events within 30 days of initial chemotherapy administration. Nevertheless, only 26.5% of these high-risk patients actually had an acute care event within thirty days of initial chemotherapy administration. Further research is needed to improve the precision of identifying high-risk patients, by potentially adding more clinical variables, using alternative sampling methods, and employing nonlinear and more complex machine learning methodologies.