Management of high-grade gliomas in the pediatric patient: Past, present, and future
Notice bibliographique
Résumé
High-grade gliomas (HGGs) constitute ∼15% of all primary brain tumors in children and adolescents. Routine histopathological diagnosis is based on tissue obtained from biopsy or, preferably, from the resected tumor itself. The majority of pediatric HGGs are clinically and biologically distinct from histologically similar adult malignant gliomas; these differences may explain the disparate responses to therapy and clinical outcomes when comparing children and adults with HGG. The recently proposed integrated genomic classification identifies 6 distinct biological subgroups of glioblastoma (GBM) throughout the age spectrum. Driver mutations in genes affecting histone H3.3 (K27M and G34R/V) coupled with mutations involving specific proteins (TP53, ATRX, DAXX, SETD2, ACVR1, FGFR1, NTRK) induce defects in chromatin remodeling and may play a central role in the genesis of many pediatric HGGs. Current clinical practice in pediatric HGGs includes surgical resection followed by radiation therapy (in children aged > 3 years) with concurrent and adjuvant chemotherapy with temozolomide. However, these multimodality treatment strategies have had a minimal impact on improving survival. Ongoing clinical trials are investigating new molecular targets, chemoradiation sensitization strategies, and immunotherapy. Future clinical trials of pediatric HGG will incorporate the distinction between GBM molecular subgroups and stratify patients using group-specific biomarkers.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».