MétaCan
Menu
← Retour à la cohorte
Enregistrement W3029829417 · doi:10.1200/jco.2020.38.15_suppl.e15151

Comparative efficacy, safety, and tolerability of immune checkpoint inhibitors (ICIs) in cancer.

2020· article· en· W3029829417 sur OpenAlexaff
Laith Al-Showbaki, Michelle B. Nadler, Alexandra Desnoyers, Fahad Almugbel, David W. Cescon, Eitan Amir

Notice bibliographique

RevueJournal of Clinical Oncology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer Immunotherapy and Biomarkers
Établissements canadiensUniversity Health NetworkCentre Hospitalier Universitaire de SherbrookeUniversity of TorontoMcMaster UniversityPrincess Margaret Cancer Centre
Organismes subventionnairesnon disponible
Mots-clésMedicinePembrolizumabAtezolizumabNivolumabTolerabilityInternal medicineAvelumabOncologyAdverse effectLung cancerHazard ratioHead and neck squamous-cell carcinomaOdds ratioCancerHead and neck cancerImmunotherapyConfidence interval

Résumé

récupéré en direct d'OpenAlex

e15151 Background: Multiple ICIs have been approved, and in some diseases there is a choice of more than one ICI. The comparative safety, efficacy, and tolerability are not known. Here we report on a network meta-analysis comparing different ICIs targeting PD1 or PDL1. Methods: Randomized trials (RCTs) supporting the registration of a single agent anti-PD1 or anti-PDL1 inhibitors between 2015-2019 were identified. We extracted the hazard ratio (HR) for overall survival (OS) and calculated the odds ratio (OR) for commonly reported safety and tolerability outcomes. We then performed a network meta-analysis including only disease sites in which more than one ICI has been approved. Multiple pair-wise comparisons were then performed. When more than 2 comparisons were available for a pair of ICIs these were pooled into a single estimate. Analyses were performed in Microsoft Excel and RevMan 5.3. Results: Of 16 RCTs included, 10 in non-small-cell lung cancer, 2 in melanoma, 2 in head and neck squamous cell carcinoma and 2 in urothelial cancer. There was a total of 10673 patients in the analysis. Compared to pembrolizumab, efficacy was similar for nivolumab (HR 1.06, 95% CI 0.97-1.16) and for atezolizumab (HR 1.05, 95% CI 0.93-1.20). However, avelumab appeared inferior (HR 1.29, 95% CI 1.07-1.57). Pembrolizumab showed similar odds of serious adverse events (SAEs) as nivolumab (OR 1.12, 95% CI 0.56-2.27) and atezolizumab (OR 1.05, 95% CI 0.55-2.04). However, compared to nivolumab, atezolizumab was associated with more SAEs (OR 2.14, 95% CI 1.47-3.12). Avelumab had the lowest odds of grade 3-4 adverse events compared to pembrolizumab (OR 0.42, 95% CI 0.24-0.74), nivolumab (OR 0.38, 95% CI 0.24-0.62) and atezolizumab (OR 0.21, 95% CI 0.14-0.33). Atezolizumab was associated with more grade 3-4 adverse events than nivolumab (OR 1.84, 95% CI 1.37-2.47). The odds of treatment discontinuation without progression were similar between nivolumab and atezolizumab (OR 1.20, 95% CI 0.73-2.00), but higher with pembrolizumab compared to nivolumab (OR 1.35, 95% CI 0.83-2.17) and atezolizumab (OR 2.56, 95% CI 1.29-5.00). Pembrolizumab was associated with higher OR of immune related adverse events (IRAEs) compared to nivolumab (OR 2.12, 95% CI 1.49-3.03) and atezolizumab (OR 1.63, 95% CI 1.09-2.43), while the OR of IRAEs was almost similar between nivolumab and atezolizumab. Conclusions: Pembrolizumab, nivolumab, and atezolizumab have similar efficacy. Avelumab appears efficacious. Safety and tolerability seem better with avelumab, but worse with atezolizumab and pembrolizumab.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,029
score de la tête « metaresearch » (Gemma)0,042
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,152

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0290,042
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0070,035
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,178
Tête enseignante GPT0,483
Écart entre enseignants0,305 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical Oncology→Même sujetCancer Immunotherapy and Biomarkers→Travaux en français237 207→