Third-generation epidermal growth factor receptor tyrosine kinase inhibitors for the treatment of non-small cell lung cancer
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
) gene are the most common targetable genomic drivers of non-small cell lung cancer (NSCLC), occurring in approximately 50% and 10-15% of adenocarcinomas of the lung in Asian and Western populations, respectively. The most common EGFR-activating mutations, the exon 19 deletion and the L858R point mutation occurring in the receptor tyrosine kinase domain, are susceptible to inhibition. The first EGFR tyrosine kinase inhibitors (TKIs) to be evaluated were the reversible first-generation EGFR TKIs, gefitinib and erlotinib, followed by the irreversible second-generation EGFR TKIs, afatinib and dacomitinib. The study of acquired resistance mechanisms to first- and second-generation EGFR TKIs in patients with activating EGFR-mutated NSCLC identified the gatekeeper T790M point mutation, present in over 50% of cases, as the most common mechanism of acquired resistance. The need to overcome this resistance mechanism led to the development of third-generation EGFR TKIs, of which osimertinib is the only one to date with regulatory approval. In this review, we present the clinical context leading to the development of third-generation EGFR TKIs, the mode of action of these inhibitors and the clinical data supporting their use. We review third-generation TKI agents that are approved, in development, and those that failed in clinical trials. Finally, we will touch upon ongoing studies and future directions, such as combination treatment strategies, currently being explored to improve the efficacy of treatment with third-generation EGFR TKIs.
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.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle