Toward precision medicine with next-generation EGFR inhibitors in non-small-cell lung cancer
Notice bibliographique
Résumé
The use of genomics to discover novel targets and biomarkers has placed the field of oncology at the forefront of precision medicine. First-generation epidermal growth factor receptor (EGFR) inhibitors have transformed the therapeutic landscape of EGFR mutant non-small-cell lung carcinoma through the genetic stratification of tumors from patients with this disease. Somatic EGFR mutations in lung adenocarcinoma are now well established as predictive biomarkers of response and resistance to small-molecule EGFR inhibitors. Despite early patient benefit, primary resistance and subsequent tumor progression to first-generation EGFR inhibitors are seen in 10%-30% of patients with EGFR mutant non-small-cell lung carcinoma. Acquired drug resistance is also inevitable, with patients developing disease progression after only 10-13 months of antitumor therapy. This review details strategies pursued in circumventing T790M-mediated drug resistance to EGFR inhibitors, which is the most common mechanism of acquired resistance, and focuses on the clinical development of second-generation EGFR inhibitors, exemplified by afatinib (BIBW2992). We discuss the rationale, mechanism of action, clinical efficacy, and toxicity profile of afatinib, including the LUX-Lung studies. We also discuss the emergence of third-generation irreversible mutant-selective inhibitors of EGFR and envision the future management of EGFR mutant lung adenocarcinoma.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».