Cytoreductive nephrectomy in metastatic kidney cancer: what do we do now?
Notice bibliographique
Résumé
PURPOSE OF REVIEW: Metastatic renal cell carcinoma (mRCC) has traditionally been treated with a combination of targeted systemic therapy and cytoreductive nephrectomy. This approach has recently become a topic of debate, because of new randomized data suggesting a lack of survival benefit for cytoreductive nephrectomy. We review the literature relevant to cytoreductive nephrectomy in the modern era of targeted and immune systemic therapy, and discuss the ongoing role of surgery for treatment of patients with mRCC. RECENT FINDINGS: Randomized trials in the cytokine era of systemic therapy for mRCC demonstrated a survival benefit to cytoreductive nephrectomy, which led to its widespread adoption. There is overwhelming support in favor of cytoreductive nephrectomy from large studies using retrospective data in the targeted therapy era. A recent randomized control trial (CARMENA) failed to show superiority of cytoreductive nephrectomy in combination with sunitinib, versus sunitinib alone with respect to overall survival. The trial had major limitations including selection of many poor-risk patients, which we know do not benefit from surgery. The results of CARMENA should lead to the abandonment of cytoreductive nephrectomy in poor-risk and many intermediate-risk patients with mRCC. However, there is a knowledge gap with respect to the role of cytoreductive nephrectomy in patients with good risk disease, and we argue that these patients should be strongly considered for cytoreductive nephrectomy. SUMMARY: Cytoreductive nephrectomy continues to play an important role in the multidisciplinary management of mRCC; however, diligent patient selection is crucial, as only patients with good risk features are likely to derive benefit from surgery.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».