NCOG-24. REAL-WORLD ANALYSIS OF OUTCOMES OF PATIENTS RECEIVING BEVACIZUMAB FOR RECURRENT GLIOBLASTOMA IN BRITISH COLUMBIA
Notice bibliographique
Résumé
Abstract BACKGROUND Bevacizumab (Bev) has been publicly funded in British Columbia (BC) since 2011 for treatment of recurrent glioblastoma (rGBM). We performed a retrospective outcomes assessment of patients with rGBM treated with Bev. METHODS Patients with rGBM treated at BC Cancer centers with Bev between January 2011 and December 2016 were reviewed. Patient demographics, tumor characteristics, treatment regimens, and dates of radiographic progression and death were collected. Kaplan-Meier method was used to assess survival, and comparisons were made using the log-rank test. RESULTS 138 patients were reviewed. There were 136 reported deaths with median PFS 3 months (CI95 = 2.5 - 3.5) and OS 7 months (CI95 = 6.1-8.0) from Bev initiation. 64% of patients on corticosteroids prior to Bev reduced their dose shortly after initiation. The majority of patients (72%) were treated with multiple lines of therapy prior to Bev, with a median time from chemoradiation to Bev initiation of 8 months (range 1-67). Patients started on Bev < 6 months from chemoradiation (prior to completion of adjuvant temozolomide) had improved OS compared to those who started Bev later (p = 0.05), but there was no association between extent of treatment prior to Bev and outcomes (p = 0.182). Addition of chemotherapy to Bev did not improve survival over Bev monotherapy (p = 0.175). CONCLUSIONS Despite limited benefits to overall survival, Bev is associated with reduction in corticosteroid use and likely improvement in quality of life. Bev combinations with chemotherapy did not confer survival advantage over Bev monotherapy. Furthermore, our results show that patients receiving Bev before completion of adjuvant chemotherapy have better outcomes, suggesting pseudoprogression may have prompted the therapeutic switch. Further research is required to optimize patient selection for and administration of Bev. Additional analysis of rGBM patients prescribed Bev until 2020 in BC is currently underway.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».