An Example of Personalized Treatment in HR+ HER2+ Long Survivor Breast Cancer Patient (Case Report)
Notice bibliographique
Résumé
BACKGROUND: Personalized therapy is becoming increasingly popular in oncological scenarios, not only based on molecular pharmacological targets, but also preventing any drug-drug-gene interaction (DDGI), which could lead to severe toxicities. Single nucleotide polymorphisms (SNPs), the individual germline sequence variations in genes involved in drug metabolism, are correlated to interindividual response to drugs and explain both efficacy and toxicity profiles reported by patients. CASE PRESENTATION: We present the case of a woman suffering from triple-positive breast cancer; she had early-stage disease at the onset and after four years developed metastatic disease. During her history, she presented different toxicities due to antineoplastic treatments. Particularly, hypertransaminasemia was found during every line of treatment. Nevertheless, we were able to guarantee the patient an excellent therapeutic adhesion thanks to the supportive treatments and the reduction of drug dosage. Moreover, we conducted a simultaneous analysis of the patient's biochemical and genomic data thanks to Drug-PIN software, and we found several significant SNPs of the main enzymes and transporters involved in drug metabolism. CONCLUSION: Our case report demonstrated the relevance of DDGI in clinical practice management of a patient treated for advanced breast cancer, suggesting the role of Drug-PIN software as an easy-to-use tool to prevent adverse events during cancer treatment and to help physicians in therapeutic algorithms. However, further studies are needed to confirm these results.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».