Best practices for detection, assessment and management of suspected immune-mediated liver injury caused by immune checkpoint inhibitors during drug development
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
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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