Pooled analysis of clinical outcome for <scp>EGFR TKI</scp>‐treated patients with <i><scp>EGFR</scp></i> mutation‐positive <scp>NSCLC</scp>
Notice bibliographique
Résumé
Patients with non-small-cell lung cancer (NSCLC) appear to gain particular benefit from treatment with epidermal growth factor receptor (EGFR) tyrosine-kinase inhibitors (TKI) if their disease tests positive for EGFR activating mutations. Recently, several large, controlled, phase III studies have been published in NSCLC patients with EGFR mutation-positive tumours. Given the increased patient dataset now available, a comprehensive literature search for EGFR TKIs or chemotherapy in EGFR mutation-positive NSCLC was undertaken to update the results of a previously published pooled analysis. Pooling eligible progression-free survival (PFS) data from 27 erlotinib studies (n = 731), 54 gefitinib studies (n = 1802) and 20 chemotherapy studies (n = 984) provided median PFS values for each treatment. The pooled median PFS was: 12.4 months (95% accuracy intervals [AI] 11.6-13.4) for erlotinib-treated patients; 9.4 months (95% AI 9.0-9.8) for gefitinib-treated patients; and 5.6 months (95% AI 5.3-6.0) for chemotherapy. Both erlotinib and gefitinib resulted in significantly longer PFS than chemotherapy (permutation testing; P = 0.000 and P = 0.000, respectively). Data on more recent TKIs (afatinib, dacomitinib and icotinib) were insufficient at this time-point to carry out a pooled PFS analysis on these compounds. The results of this updated pooled analysis suggest a substantial clear PFS benefit of treating patients with EGFR mutation-positive NSCLC with erlotinib or gefitinib compared with chemotherapy.
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 | 0,013 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,026 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».