Impact of aprepitant on emesis control, dose intensity, and recurrence-free survival in a population-based cohort of head and neck cancer patients receiving high-dose cisplatin chemotherapy
Notice bibliographique
Résumé
BACKGROUND: Standard care for locally advanced head and neck cancer (HNC) patients consists of high-dose cisplatin with radiation to prolong recurrence-free survival (RFS). However, poorly controlled emesis can compromise optimal dose intensity (DI) and affect disease control. OBJECTIVE: To evaluate the impact of aprepitant on emesis control, DI, and RFS. METHODS: HNC patients treated at the British Columbia Cancer Agency were analyzed. Kaplan-Meier method and adjusted Cox proportional hazard models were used to evaluate RFS in aprepitant users. To control for selection bias, a propensity score analysis was conducted. RESULTS: A total of 192 HNC patients were included: 141 received aprepitant prophylaxis. The aprepitant-treated and untreated groups were comparable in mean age (56.3 vs 58.1 years), male gender (82.3% vs 86.3%), tumor location, and number of metastatic sites. However, more patients in the aprepitant group than in the untreated group had surgically resectable disease (31.2% vs 15.7%, respectively) and better performance status (ECOG 0/1, 87.9% vs 76.4%). Less emesis was reported in the aprepitant group (21.3% vs 28.0%). Patients in the treated group were also more likely to complete 3 cycles of high-dose cisplatin (OR, 2.3; P = .03). The propensity score adjusted Cox regression analysis suggested a reduced risk of disease recurrence in patients who received aprepitant (HR, 0.47; 95% CI, 0.17- 1.28). LIMITATIONS: Potential confounders such as other diseases or treatments that may have influenced the presence of nausea/emesis symptoms. CONCLUSION: Aprepitant contributed to improved emesis control, enhanced DI, and better adherence to cisplatin 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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».