The Role of Biomarkers in Decreasing Risk of Cardiac Toxicity after Cancer Therapy
Notice bibliographique
Résumé
With the improvement of cancer therapy, survival related to malignancy has improved, but the prevalence of long-term cardiotoxicity has also increased. Cancer therapies with known cardiac toxicity include anthracyclines, biologic agents (trastuzumab), and multikinase inhibitors (sunitinib). The most frequent presentation of cardiac toxicity is dilated cardiomyopathy associated with poorest prognosis. Monitoring of cardiac toxicity is commonly performed by assessment of left ventricular (LV) ejection fraction, which requires a significant amount of myocardial damage to allow detection of cardiac toxicity. Accordingly, this creates the impetus to search for more sensitive and reproducible biomarkers of cardiac toxicity after cancer therapy. Different biomarkers have been proposed to that end, the most studied ones included troponin release resulting from cardiomyocyte damage and natriuretic peptides reflecting elevation in LV filling pressure and wall stress. Increase in the levels of troponin and natriuretic peptides have been correlated with cumulative dose of anthracycline and the degree of LV dysfunction. Troponin is recognized as a highly efficient predictor of early and chronic cardiac toxicity, but there remains some debate regarding the clinical usefulness of the measurement of natriuretic peptides because of divergent results. Preliminary data are available for other biomarkers targeting inflammation, endothelial dysfunction, myocardial ischemia, and neuregulin-1. The purpose of this article is to review the available data to determine the role of biomarkers in decreasing the risk of cardiac toxicity after cancer 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».