MétaCan
Menu
Retour à la cohorte
Enregistrement W2615526152 · doi:10.1373/clinchem.2016.267849

The Phoenix Rises: The Rebirth of Cancer Immunotherapy

2017· article· en· W2615526152 sur OpenAlexaff
Ivan M. Blasutig, Sofia Farkona, Elizabeth I. Buchbinder, Jason J. Luke, Padmanee Sharma, Mario Sznol

Notice bibliographique

RevueClinical Chemistry · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer Immunotherapy and Biomarkers
Établissements canadiensLunenfeld-Tanenbaum Research InstituteUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésPhoenixImmunotherapyCancer immunotherapyCancerMedicineImmunologyOncologyCancer researchInternal medicinePathology

Résumé

récupéré en direct d'OpenAlex

The idea that the immune system can control cancer is not new. It was first theorized by Paul Ehrlich in 1909 when he suggested that cancers spontaneously arise at a high frequency in humans but are kept under control by the immune system. Over the course of a century, this idea has moved in and out of favor, and only recently has the true potential of the immune system to treat cancer been realized. Cancer immunotherapy relies on activating an individual's own immune system to eradicate established tumors, and, in contrast to conventional cancer therapies, induces a dynamic response that can result in long-lasting remission. Current immunotherapies against existing cancers include various approaches, ranging from stimulating immune effectors to counteracting immune suppressors. Although there have been patients with certain tumor types that have achieved extraordinary survival benefits, for the majority of cancer patients, immunotherapy remains relatively ineffective. As a result, new therapies and therapeutic regimens that combine various immunological agents are being described and assessed at a breathtaking pace. These new strategies have already been shown to significantly enhance antitumor immunity; however, they can also result in increased immune toxicities. To balance the harms and benefits of these therapies, some critical questions must be addressed, including which therapies or therapeutic combinations provide the most benefit and should continue being studied, and which individuals will benefit from each of these treatments. In this Q&A article, four experts discuss why it took so long for the promise of cancer immunotherapy to be realized, which cancers this therapeutic modality can treat, what are the most promising new therapies or therapeutic combinations, and what are the potential roles of biomarkers in guiding treatment. In addition, they will discuss the current costs of immunotherapy as well as its future potential. The idea that the immune …

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)0,001
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,618
Score d'incertitude au seuil0,468

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,048
Tête enseignante GPT0,418
Écart entre enseignants0,370 · 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'étudeSans objet
Domainenon disponible
GenreEmpirique

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

En bref

Citations4
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical ChemistryMême sujetCancer Immunotherapy and BiomarkersTravaux en français237 207