Response biomarkers: re-envisioning the approach to tailoring drug therapy for cancer
Notice bibliographique
Résumé
BACKGROUND: The rapidly expanding arsenal of chemotherapeutic agents approved in the past 5 years represents significant progress in the field. However, this poses a challenge for oncologists to choose which drug or combination of drugs is best for any individual. Because only a fraction of patients respond to any drug, efforts have been made to devise strategies to personalize care. The majority of efforts have involved development of predictive biomarkers. While there are notable successes, there are no predictive biomarkers for most drugs. Moreover, predictive biomarkers enrich the cohort of individuals likely to benefit; they do not guarantee benefit. MAIN TEXT: There is a need to devise alternate strategies to tailor cancer care. One alternative approach is to enhance the current adaptive approach, which involves administration of a drug and cessation of treatment once progression is documented. This currently involves radiographic tests for the most part, which are expensive, inconvenient and imperfect in their ability to categorize patients who are and are not benefiting from treatment. A biomarker approach to categorizing response may have advantages. CONCLUSION: Herein, we discuss the state of the art on treatment response assessment. While the most mature technologies for response assessment involve radiographic tests such as CT and PET, reports are emerging on biomarkers used to monitor therapeutic efficacy. Potentially, response biomarkers represent a less expensive and more convenient means of monitoring therapy, although an ideal response biomarker has not yet been described. A framework for future response biomarker discovery is described.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».