Designing Transformative Clinical Trials in the Cancer Genome Era
Notice bibliographique
Résumé
The incorporation of molecular profiling into routine clinical practice has already been adopted in some tumor types, such as human epidermal growth factor receptor 2 (HER2) testing in breast cancer and KRAS genotyping in colorectal cancer, providing a guide to treatment selection that is not afforded by histopathologic diagnosis alone. It is inevitable that over time, with rapid advances in scientific knowledge, bioinformatics, and technology to identify oncogenic drivers, molecular profiling will complement histopathologic data to influence management decisions. Emerging technologies such as multiplexed somatic mutation genotyping and massive parallel genomic sequencing have become increasingly feasible at point-of-care locations to classify cancers into molecular subsets. Because these molecular subsets may differ substantially between each other in terms of sensitivity or resistance to systemic agents, there is consensus that clinical trials should be more stratified for or be performed only in such molecularly defined subsets. This approach, however, poses challenges for clinical trial designs because smaller numbers of patients would be eligible for such trials, while the number of novel anticancer drugs warranting further clinical exploration is rapidly increasing. This article provides an overview of the emerging methodologic challenges in the cancer genome era and offers some potential solutions for transforming clinical trial designs so they can identify new active anticancer regimens in molecularly defined subgroups as efficiently as possible.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,052 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,003 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».