Risk of rash with nilotinib: A systematic review of the literature and meta-analysis.
Notice bibliographique
Résumé
9088 Background: Nilotinib is indicated for the treatment of chronic myelogenous leukemia (CML). The reported incidence and risk of rash from this medication vary widely and have been inconsistently reported in published trials. Therefore we conducted a systematic review and meta-analysis of the literature to determine the incidence and risk of developing rash. Methods: Relevant studies were identified from the PubMed database (1998-2012), abstracts presented at ASCO and ASH Conferences (2004-2011) and Web of Science database (1998-2012). Eligible studies were limited to prospective Phase II-III clinical trials in which patients received nilotinib at doses of either 300 mg or 400 mg twice daily. Incidence, relative risk (RR), and 95% confidence intervals (CI) were calculated using random-effects or fixed-effects models based on heterogeneity of included studies. Results: Data from a total of 3,186 patients receiving nilotinib in 16 clinical trials were available for analysis. The overall incidence of all-grade and high-grade (grade ≥3) rash were 33.1% (95% CI: 27.7-39.1) and 2.6% (95% CI: 2.1-3.4), respectively. Incidence of all-grade rash for patients with CML, gastrointestinal stromal tumor (GIST) and systemic mastocytosis were 33.2% (95% CI: 27.2-39.9), 25.7% (95% CI: 14.0-42.5) and 25.0% (95% CI: 15.7-37.4), respectively. Nilotinib was associated with increased risk of all-grade rash (RR=2.891, 95% CI: 2.079-4.020; P<0.001) when compared to patients treated with imatinib. Risk of high-grade rash was increased compared to imatinib (RR=1.823, 95% CI: 0.670-4.957), but this was not statistically significant (P=0.24). Conclusions: Patients with hematologic malignancies and GIST who are treated with nilotinib are at significant risk for developing a rash. Further studies for characterization, prevention and treatment of this untoward toxicity are needed in order to maintain patients’ quality of life and minimize the need for dose modification, which may impact clinical outcome.
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 | 0,014 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,016 | 0,043 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».