MétaCan
Menu
Retour à la cohorte
Enregistrement W1984047229 · doi:10.3389/fonc.2014.00238

Management of Common Toxicities in Metastatic NSCLC Related to Anti-Lung Cancer Therapies with EGFR–TKIs

2014· review· en· W1984047229 sur OpenAlexaff
Barbara Melosky, Vera Hirsh

Notice bibliographique

RevueFrontiers in Oncology · 2014
Typereview
Langueen
DomaineMedicine
ThématiqueLung Cancer Treatments and Mutations
Établissements canadiensRoyal Victoria Regional Health CentreMcGill University Health CentreRoyal Victoria HospitalBC Cancer Agency
Organismes subventionnairesnon disponible
Mots-clésMedicineLung cancerOncologyErlotinibInternal medicineCancerPharmacologyCancer researchEpidermal growth factor receptor

Résumé

récupéré en direct d'OpenAlex

Tyrosine kinase inhibitors (TKIs) against the epidermal growth factor receptor (EGFR) are the standard of care treatment in non-small cell lung cancer (NSCLC). TKIs are used first line in EGFR mutation-positive NSCLC; erlotinib is the only TKI approved for subsequent lines of treatment in EGFR wild-type NSCLC. As promising as TKIs are in helping patients avoid some of the side effects of traditional cytotoxic chemotherapy, they do come with a variety of side effects. This article will describe the most common adverse events associated with the epidermal EGFR family of TKIs including diarrhea, rash, mucositis, and paronychia. The objective of this paper is to provide simple guidelines to assist oncologists in managing these common toxicities. As patient survival is often directly correlated with successful therapeutic drug delivery, the management of TKI-induced adverse events ensures proper treatment and may avoid discontinuation or reduction of the therapeutic.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,972
Score d'incertitude au seuil0,914

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,412
Écart entre enseignants0,391 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations69
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in OncologyMême sujetLung Cancer Treatments and MutationsTravaux en français237 207