Patterns of care among patients receiving sequential targeted therapies for advanced renal cell carcinoma: A retrospective chart review in the <scp>USA</scp>
Notice bibliographique
Résumé
Objectives To assess real‐world treatment patterns of targeted therapies after failure of first‐line tyrosine kinase inhibitors in patients with advanced renal cell carcinoma. Methods A large, retrospective review of medical charts of patients with advanced renal cell carcinoma in the USA was carried out. Descriptive statistics were used to summarize physicians’ and patients’ characteristics, treatment sequences, and reasons for treatment choices. P ‐values were calculated using χ 2 ‐tests for categorical variables and Wilcoxon rank‐sum tests for continuous variables. A descriptive comparison was carried out between current results and those of a previous treatment pattern study conducted in 2012 to identify changes in treatment patterns over time. Results Sunitinib and everolimus remained the most commonly‐used first and second targeted therapies, respectively. Among patients who continued to a third targeted therapy, everolimus and axitinib were the most commonly‐used treatments after second targeted therapy with a tyrosine kinase inhibitor and a mammalian target of rapamycin inhibitor, respectively. The use of pazopanib as first targeted therapy, and of axitinib and sorafenib as second targeted therapies, increased over time. Efficacy, treatment guidelines and a different mechanism of action were the main reasons given by physicians for choosing among second targeted therapies after failure of a first tyrosine kinase inhibitor. Conclusions The results of the present study document patterns of care during a period of rapid and ongoing therapeutic advancement in advanced renal cell carcinoma. Sequencing of therapies warrants ongoing analysis in light of new agents entering the advanced renal cell carcinoma treatment landscape.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 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 ».