A Quantitative Systems Pharmacology Framework for Optimal Doxorubicin Granulocyte Colony-Stimulating Factor Regimens in Triple-Negative Breast Cancer
Notice bibliographique
Résumé
INTRODUCTION: To mitigate the risk of neutropenia during chemotherapy treatment of triple-negative breast cancer, prophylactic and supportive therapy with granulocyte colony-stimulating factor (G-CSF) is administered concomitant to chemotherapy. The proper timing of combined chemotherapy and G-CSF is crucial for treatment outcomes. METHODS: Leveraging our established mathematical model of neutrophil production by G-CSF, we developed quantitative systems pharmacology (QSP) framework to investigate how modulating chemotherapy dose frequency and intensity can maximize antitumour effects. To establish schedules that best control tumour size while minimizing neutropenia, we combined Gompertzian tumour growth with pharmacokinetic/pharmacodynamic models of doxorubicin and G-CSF, and our QSP model of neutrophil production. RESULTS: We optimized a range of chemotherapeutic cycle lengths and dose sizes to establish regimens that simultaneously reduced tumour burden while minimizing neutropenia. Our results suggest that cytotoxic chemotherapy with doxorubicin 45 mg/m2 every 14 days provides effective control of tumour growth while mitigating neutropenic risks. CONCLUSION: This work suggests future avenues for optimal regimens of chemotherapy with prophylactic G-CSF support. Importantly, the algorithmic approach that we developed can aid in balancing the anticancer and the neutropenic effects of both drugs, and therefore contributes to rational considerations in clinical decision-making in triple-negative breast cancer.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».