Optimal first-line and second-line treatments for metastatic renal cell carcinoma: current evidence
Notice bibliographique
Résumé
Since 2005, an abundance of targeted agents has been approved for the treatment of metastatic renal cell carcinoma (mRCC), without any specification as to what may be the most optimal first-line and second-line sequence. Hence, our objective was to critically examine the evidence supporting the use of first-line and second-line agents in the management of mRCC. Our review suggests that in first line, sunitinib and pazopanib represent treatment options for patients with favorable or intermediate-risk features and clear cell histology. Unfortunately, the Phase III trial cannot conclusively prove the noninferiority of pazopanib relative to sunitinib. Hence, the use of sunitinib as first-line standard of care remains justified. Pazopanib represents an option for specific patients in whom sunitinib might not be tolerated. In patients with poor-risk features, temsirolimus represents the only option supported with level 1 evidence. Less optimal alternatives include sunitinib and bevacizumab combined with interferon, based on the minimal inclusion of poor-risk patients in pivotal Phase III studies of these two molecules. In patients with non-clear cell mRCC, the use of temsirolimus is supported by Phase III data, unlike for any other molecule. In second line, the options consist of everolimus and axitinib. However, the axitinib data are substantially more robust given the inclusion of more patients considered as true second-line, and validly justify the choice of axitinib over everolimus. Nonetheless, the Phase III trial of everolimus may be considered as level 1 evidence for use as third-line or subsequent lines of therapy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 ».