MétaCan
Menu
Retour à la cohorte
Enregistrement W3046923728 · doi:10.1016/j.jaut.2020.102514

Best practices for detection, assessment and management of suspected immune-mediated liver injury caused by immune checkpoint inhibitors during drug development

2020· review· en· W3046923728 sur OpenAlexaff
Arie Regev, Mark Avigan, Alexandre Kiazand, John M. Vierling, James H. Lewis, Stephanie O. Omokaro, Adrian M. Di Bisceglie, Robert J. Fontana, Herbert L. Bonkovsky, James W. Freston, Jack Uetrecht, Ethan Miller, Nonko Pehlivanov, Syed Asif Haque, Melanie J. Harrison, Gerd A. Kullak‐Ublick, Hewei Li, Niti Patel, Meenal Patwardhan, Karen Price, Paul B. Watkins, Naga Chalasani

Notice bibliographique

RevueJournal of Autoimmunity · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueCancer Immunotherapy and Biomarkers
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineDiscontinuationIntensive care medicineDrug developmentDrugLiver injuryBest practicePsychological interventionAdverse effectClinical trialPharmacologyInternal medicinePolitical science

Résumé

récupéré en direct d'OpenAlex

Immune checkpoint inhibitors (ICIs) have shown significant efficacy in patients with various malignancies, however, they are associated with a wide range of immune-related toxicities affecting many organs, including the liver. Immune-mediated liver injury caused by checkpoint inhibitors (ILICI) is a distinctive form of drug induced liver injury (DILI), that differs from most DILI types in presumed underlying mechanism, incidence, and response to therapeutic interventions. Despite increased awareness of ILICI and other immune-related adverse effects of ICIs reflected by recent guidelines for their management in post marketing clinical practice, there is lack of uniform best practices to address ILICI risk during drug development. As efforts to develop safer and more effective ICIs for additional indications grow, and as combination therapies including ICIs are increasingly investigated, there is a growing need for consistent practices for ILICI in drug development. This publication summarizes current best practices to optimize the monitoring, diagnosis, assessment, and management of suspected ILICI in clinical trials using ICI as a single agent and in combination with other ICIs or other oncological agents. It is one of several publications developed by the IQ DILI Initiative in collaboration with DILI experts from academia and regulatory agencies. Recommended best practices are outlined pertaining to hepatic inclusion and exclusion criteria, monitoring of liver tests, ILICI detection, approach to a suspected ILICI signal, causality assessment, hepatic discontinuation rules and additional medical 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.

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)0,035
score de la tête « metaresearch » (Gemma)0,082
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,183

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0350,082
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0060,003
Études des sciences et des technologies0,0010,002
Communication savante0,0040,003
Science ouverte0,0030,002
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,004

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 Opus0,041
Tête enseignante GPT0,352
Écart entre enseignants0,311 · 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'étudeSans objet
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

Citations77
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of AutoimmunityMême sujetCancer Immunotherapy and BiomarkersTravaux en français237 207