Finding the optimal treatment sequence in metastatic castration-resistant prostate cancer—a narrative review
Notice bibliographique
Résumé
Over the last two decades, there has been significant progress in the treatment of metastatic prostate cancer. Multiple treatments with diverse mechanisms of action have improved clinical outcomes for patients with metastatic castration-resistant prostate cancer (mCRPC) including taxane chemotherapy, immunotherapy, potent androgen receptor pathway inhibitors (ARPI), and radiopharmaceuticals (radium-223). As these treatments have entered standard clinical practise, clinicians have been challenged on how to optimally select and sequence them as the landmark studies establishing their efficacy had control arms with placebo or minimally effective therapy and there is a paucity of prospective trials examining treatment sequencing. More recently, the situation has been further complicated as the earlier up-front use of docetaxel and ARPI with standard gonadal testosterone inhibition has been shown to impart substantial improvements in disease control and survival for patients with castration sensitive prostate cancer. As new therapies enter into clinical practise such as the inhibitors of Poly (ADP-Ribose) Polymerase and Prostate Specific Membrane Antigen (PSMA)-targeted therapy, how to optimally select and sequence available treatments will be a continued dilemma in the absence of validated predictive biomarkers. This review will summarize the literature supporting the use of each active agent in mCRPC. We will propose a framework which will guide the selection of appropriate agents based on prior therapies, disease characteristics and biomarkers.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».