Management of Egfr-Mutated Non-Small-Cell Lung Cancer: Practical Implications from a Clinical and Pathology Perspective
Notice bibliographique
Résumé
Starting in the early 2000s, non-small-cell lung cancer (nsclc) subtypes have evolved from being histologically described to molecularly defined. Management of lung adenocarcinomas now generally requires multiple molecular tests at baseline to define the optimal treatment strategy. More recently, second biopsies performed at progression in patients treated with tyrosine kinase inhibitors (tkis) have further defined the continued use of molecularly targeted therapy. In the present article, we focus on one molecular subtype: EGFR-mutated nsclc. For that patient population, multiple lines of tki therapy are now available either clinically or in clinical trials. Each line of treatment is guided by the specific mutations (for example, L858R, T790M, C797S) identified in EGFR. We first describe the various mechanisms of acquired resistance to EGFR tki treatment. We then focus on strategies that clinicians and pathologists can both use during tissue acquisition and handling to optimize patient results. We also discuss future directions for the molecular characterization of lung cancers with driver mutations, including liquid biopsies. Finally, we provide an algorithm to guide treating physicians managing patients with EGFR-mutated nsclc. The same framework can also be applied to other molecularly defined nsclc subgroups as resistance patterns are elucidated and additional lines of treatment are developed.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».