Exploring the Benefit/Risk Associated with Antiangiogenic Agents for the Treatment of Non–Small Cell Lung Cancer Patients
Notice bibliographique
Résumé
Abstract Following the approval of bevacizumab, an antibody targeting VEGF-A, for advanced non-squamous non–small cell lung cancer (NSCLC) in 2006, intensive efforts were put into the clinical development of antiangiogenic agents for NSCLC. Currently, the other antiangiogenic agents approved for NSCLC are ramucirumab, a VEGF receptor-2 (VEGFR-2)–targeting antibody indicated for both squamous and non-squamous NSCLC in the United States, and nintedanib, an anti–VEGFR-1/2/3, platelet-derived growth factor receptor-α/β, fibroblast growth factor receptor-1/2/3 angiokinase inhibitor indicated for adenocarcinoma of the lung in the European Union. Many other antiangiogenic agents are being evaluated in phase III trials for NSCLC, including aflibercept, sunitinib, sorafenib, cediranib, and vandetanib. Although many of the same signaling pathways are targeted by these novel agents, mixed efficacy results have been observed in these trials. Moreover, safety issues have raised concerns about using antiangiogenic agents in this patient population, and fatal bleeding events have been reported. Importantly, although no biomarker has yet been validated for antiangiogenic agents in NSCLC, biomarkers that show potential include circulating levels of short VEGF-A isoforms, expression of neuropilin-1 and VEGFR-1 in tumors and plasma, genetic variants in VEGF-A and VEGFR, and tumor protein p53 mutations (with the latter having been shown to correlate with increased levels of VEGF-A transcripts). This review provides an overview of the clinical benefit and risk associated with the use of antiangiogenic agents for NSCLC, and summarizes the research to date on the identification of predictive biomarkers for antiangiogenic therapies. Clin Cancer Res; 23(5); 1137–48. ©2016 AACR.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».