MétaCan
Menu
Retour à la cohorte
Enregistrement W2587349694 · doi:10.18192/uojm.v7i1.1563

Triple Negative Breast Cancer: A review of common therapeutic Targets and Current Treatment options.

2017· review· en· W2587349694 sur OpenAlexaffvenue
Daud Akhtar, Ahsen Chaudhry

Notice bibliographique

RevueUniversity of Ottawa Journal of Medicine · 2017
Typereview
Langueen
DomaineMedicine
ThématiqueAdvanced Breast Cancer Therapies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMedicineTriple-negative breast cancerCarboplatinBreast cancerOncologyInternal medicineCancerChemotherapyClinical trialBevacizumabAdjuvantCancer researchCisplatin

Résumé

récupéré en direct d'OpenAlex

Triple negative breast cancer (TNBC) is a subtype of breast cancer which lacks ER, PR, and HER2 expression. It is characterized by poor prognosis and resistance to standard treatment forms for breast cancer. Chemotherapy is still currently the core neo-adjuvant treatment option for patients with TNBC, although it has mixed levels of efficacy on overall survival and many serious side effects. Platinum- based therapies have been used to treat TNBC in conjunction with chemotherapy, but they are not a widely effective treatment due to the heterogeneity of TNBC. For this reason, other novel approaches, particularly those which target molecular components involved in TNBC pathogenesis, are being investigated. Angiogenesis inhibitors, which include monoclonal antibodies or small molecules that inhibit VEGF, have been shown to improve progression-free survival, but have not demonstrated an impact on overall survival. PARP enzyme inhibitors, when combined with chemotherapy and carboplatin for the treatment of TNBC, have demonstrated a significant reduction in risk progression and mortality. However, the majority of PARP inhibitors are still in trials and their effectiveness in clini- cal settings has yet to be determined. Additional proposed targets for directed therapy against TNBC include cell signalling pathways involving EGFR or PI3K. Overall, issues such as treatment resistance and side effects are important challenges that must be overcome in order to enable improvements in patient prognosis and clinical impact. RÉSUMÉ Le cancer du sein triple négatif (CSTN) est un sous-type de cancer du sein auquel il manque les récepteurs d’œstrogènes (ER), les récepteurs de progestérone (PR) et l’expression de HER2. Il est caractérisé par un pronostic défavorable et une résistance aux traite- ments standards du cancer du sein. À l’heure actuelle, la chimiothérapie est encore l’option principale de traitement néoadjuvant pour les patients ayant le CSTN, bien qu’elle ait des niveaux variés d’efficacité sur la survie globale, ainsi que de nombreux effets secondaires sérieux. Les thérapies à base de platine ont été utilisées pour traiter le CSTN en conjonction avec la chimiothérapie, mais elles ne sont pas très efficaces étant donné l’hétérogénéité du CSTN. En raison de cela, d’autres approches novatrices, particulièrement celles qui ciblent les composantes moléculaires impliquées dans la pathogenèse du CSTN, font actuellement l’objet d’enquêtes. Les inhibiteurs de l’angiogenèse, dont les anticorps monoclonaux ou les petites molécules inhibant le VEGF, ont démontré la capacité d’améliorer la survie sans progression de la maladie, mais n’ont pas démontré d’impact sur la survie globale. Les inhibiteurs d’enzymes PARP, lorsque combinés avec la chimiothérapie et le carboplatine pour le traitement du CSTN, ont démontré une réduction significative du risque de progression et de la mortalité. Toutefois, la majorité des inhibiteurs PARP subissent encore des essais et leur efficacité clinique reste à être déterminée. D’autres cibles suggérées pour la thérapie dirigée contre le CSTN incluent les voies de signalisation impliquant le EGFR ou le PI3K. Dans l’ensemble, des problèmes tels la résistance au traitement et les effets secondaires sont des défis importants qui doivent être surmontés afin de permettre des améliorations au niveau du pronostic du patient et de l’impact clinique.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,953
Score d'incertitude au seuil0,984

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0040,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,078
Tête enseignante GPT0,389
Écart entre enseignants0,310 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUniversity of Ottawa Journal of MedicineMême sujetAdvanced Breast Cancer TherapiesTravaux en français237 207