Impact of EGFR-TKI Treatment on the Tumor Immune Microenvironment in <i>EGFR</i> Mutation–Positive 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
Abstract Purpose: The impact of EGFR tyrosine kinase inhibitors (TKI) on the tumor immune microenvironment (TME) in non–small cell lung cancer (NSCLC) is unclear. Experimental Design: We retrospectively identified 138 patients with EGFR-mutated NSCLC who underwent rebiopsy after progression during EGFR-TKI treatment. PD-L1 and CD73 expression in tumor cells and tumor-infiltrating lymphocyte (TIL) density at baseline and after progression were determined by IHC. Tumor mutation burden (TMB) was determined by next-generation sequencing. Results: The proportion of patients with a PD-L1 expression level of ≥50% (high) increased from 14% before to 28% after EGFR-TKI (P = 0.0010). Whereas CD8+ and FOXP3+ TIL densities were significantly lower after EGFR-TKI treatment than before, CD8+ TIL density was maintained in tumors with a high PD-L1 expression level. Expression of CD73 in tumor cells after EGFR-TKI treatment was higher than that before in patients with a high PD-L1 expression level. TMB tended to be higher after EGFR-TKI treatment than before (3.3→4.1 mutations/Mbp, P = 0.0508). Median progression-free survival for subsequent treatment with antibodies to PD-1 was longer for patients with a high than for those with a low PD-L1 expression after EGFR-TKI (7.1 vs. 1.7 months, P = 0.0033), and two of five patients whose PD-L1 expression level changed from low to high after EGFR-TKI treatment achieved a PFS of &gt;6 months. Conclusions: EGFR-TKI treatment was associated with changes in the TME of EGFR-mutated NSCLC, and such changes may provide clues for optimization of subsequent PD-1 inhibitor treatment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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