Targeted Therapies Provide Treatment Options for Poorly Differentiated Pancreatic Neuroendocrine Carcinomas
Notice bibliographique
Résumé
Poorly differentiated pancreatic neuroendocrine carcinoma (PD pNECs) is a rare disease that has a poor prognosis and is treated with systemic chemotherapy as the standard of care. We present 6 cases of chemo-naïve patients diagnosed with PD pNECs who refused systemic chemotherapy and received targeted therapies with sunitinib (37.5 mg/day, 5 patients) or the mammalian target of rapamycin (mTOR) inhibitor everolimus (10 mg/day, 1 patient) as the first-line treatment. We evaluated the drugs' toxicities and survival. The median age of the patients was 55 years (4 males, 2 females, functioning tumor in 1 of 6 patients). The median of the Ki67 index was 45% (range 20-80). Targeted therapies were combined with somatostatin analogues in 4 of 6 patients (30 mg Sandostatine LAR monthly). Toxicities (acute and late) were manageable and no toxicities necessitated cessation of treatment. All patients had progression-free survival during the 15-month treatment and an overall survival of more than 2 years after diagnosis. Even though this is a small cohort of selected patients, we conclude that sunitinib or everolimus are both feasible and safe and have encouraging results of efficacy as first-line therapies for PD pNEC.
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 | 0,000 | 0,000 |
| 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 ».