Optimal sequencing strategies in the treatment of EGFR mutation–positive non–small cell lung cancer: Clinical benefits and cost-effectiveness
Notice bibliographique
Résumé
PURPOSE: To summarize current understanding of the efficacy, role, and cost-effectiveness of the available epidermal growth factor receptor (EGFR) tyrosine kinase inhibitors (TKIs), and to evaluate sequencing strategies based on the available evidence. Summary. EGFR TKIs are the current standard of care for patients with EGFR mutation-positive non-small cell lung cancer (NSCLC). Five EGFR TKIs are currently approved in the United States for use in a first-line setting; these TKIs differ in mechanism of action, efficacy, safety, and cost. Most patients develop resistance to first-line EGFR TKIs and require subsequent therapy with additional EGFR TKIs, chemotherapy, and/or other targeted agents. A major consideration when selecting EGFR TKIs, both as first-line or subsequent treatment options, is cost-effectiveness. Although clinical trials have shown that the second- and third-generation EGFR TKIs are superior in efficacy to the first-generation agents, pharmacoeconomic studies suggest that the first-generation agents are the most cost-effective, with the second-generation TKI afatinib also considered cost-effective in some studies. Despite its impressive efficacy, osimertinib appears to be less cost-effective due to substantially higher acquisition costs. CONCLUSION: Preliminary data suggest that first-line afatinib followed by osimertinib may offer promising survival outcomes and, on the basis of efficacy alone, may represent an optimal sequencing strategy in the majority of patients with EGFR mutation-positive NSCLC, in particular Asian patients and those with Del19-positive tumors. However, considerably more research into outcomes and costs associated with consecutive sequencing of EGFR TKIs is needed before any conclusions can be reached.
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 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) | 0,003 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».