MétaCan
Menu
Retour à la cohorte
Enregistrement W3080816877 · doi:10.1136/esmoopen-2020-000842

Endocrine therapy-based treatments in hormone receptor-positive/HER2-negative advanced breast cancer: systematic review and network meta-analysis

2020· review· en· W3080816877 sur OpenAlexaff
Mariana Brandão, Christian Maurer, Patrícia Klarmann Ziegelmann, Noam Falbel Pondé, Arlindo R. Ferreira, Samuel Martel, Martine Piccart, Evandro de Azambuja, Márcio Debiasi, Matteo Lambertini

Notice bibliographique

RevueESMO Open · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueAdvanced Breast Cancer Therapies
Établissements canadiensCentre intégré de santé et de services sociaux de Chaudière-AppalachesCentre Intégré de Santé et de Services Sociaux des LaurentidesHôpital Charles-Le Moyne
Organismes subventionnairesSeagenServierG1 TherapeuticsAmgenPfizerGenomic HealthGenentechAstraZenecaEli Lilly and Company
Mots-clésMeta-analysisBreast cancerHormone receptorOncologyMedicineInternal medicineCancerHER2 negativeHormone therapyEndocrine systemHormoneMetastatic breast cancer

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Several endocrine therapy (ET)-based treatments are available for patients with advanced breast cancer. We assessed the efficacy of different ET-based treatments in patients with hormone receptor-positive/HER2-negative advanced breast cancer with endocrine-sensitive or endocrine-resistant disease. METHODS: We searched Medline and Cochrane Central Register of Controlled Trials up to 15 October 2019 and abstracts from major conferences from 2016 to October 2019. We included phase II/III randomised trials, comparing ≥2 ET-based treatments. Progression-free survival (PFS) and overall survival (OS) were analysed by network meta-analyses using MTC Bayesian models based on both fixed-effect and random-effect models; relative treatment effects were measured as HRs and 95% credibility intervals (CrI). All statistical tests were two-sided. Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines were followed and this systematic review is registered in the PROSPERO database. RESULTS: 55 publications reporting on 32 trials (n=12 293 patients) were included. Regarding PFS in the endocrine sensitive setting (n=5200; 12 trials), the combination of cyclin-dependent kinases (CDK)4/6-inhibitors (CDK4/6i)+fulvestrant 500 mg (F500) was likely the most effective treatment (surface under the cumulative ranking curve (SUCRA)=97.3%), followed by CDK4/6i+aromatase inhibitor ±goserelin; there was no significant difference between them (HR 0.82; 95% CrI 0.54-1.25). Regarding OS (n=2157; five trials), the most effective treatment was probably CDK4/6i+F500 (SUCRA=97.3%); comparing CDK4/6i+F500 versus F500 held a HR of 0.77 (95% CrI 0.63-0.95). Regarding PFS in the endocrine-resistant setting (n=6635; 20 trials), CDK4/6i+F500 was likely the most effective treatment (SUCRA=95.7%), followed by capivasertib+F500, without significant difference between them (HR 0.91; 95% CrI 0.60-1.36). For OS (n=4377; 11 trials), the most effective treatments were capivasertib+F500 (SUCRA=84.7%) and CDK4/6i+F500 (SUCRA=69.9%). Comparing CDK4/6i+F500 versus F500 held a HR of 0.77 (95% CrI 0.67-0.89). CONCLUSIONS: CDK4/6i+F500 is likely the best treatment option in both endocrine-sensitive and endocrine-resistant diseases for PFS, and in endocrine-sensitive patients for OS. Concerning OS in endocrine-resistant patients, capivasertib+F500 and CDK4/6i+F500 are likely the best treatments. PROSPERO REGISTRATION NUMBER: CRD42018104628.

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)0,016
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,085

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,041
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0170,032
Bibliométrie0,0080,009
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,080
Tête enseignante GPT0,395
Écart entre enseignants0,315 · 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'étudeMéta-analyse
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

Citations32
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueESMO OpenMême sujetAdvanced Breast Cancer TherapiesTravaux en français237 207