Biomarkers of everolimus efficacy in breast cancer therapy
Notice bibliographique
Résumé
Objective Everolimus is an inhibitor of serine/ threonine kinase mTOR. The drug is approved for the treatment of metastatic ER positive, HER2 negative breast cancers and benefits a subset of patients with these breast cancers in combination with hormonal therapies. Despite extensive efforts, no additional predictive biomarkers to guide therapeutic decisions for everolimus have been introduced in clinical practice. Data sources This paper discusses predictive biomarkers for everolimus efficacy in breast cancer. A search of the medline and web of science databases was performed using the words “everolimus” and “biomarkers”. References of retrieved articles were manually scanned for additional relevant articles. Data Summary Everolimus benefits a subset of patients with metastatic ER positive, HER2 negative breast cancers in combination with hormonal therapies. Despite extensive efforts no additional predictive biomarkers to guide therapeutic decisions for everolimus therapy have been confirmed for use in clinical practice. However, promising biomarker leads for everolimus efficacy in breast cancer have been suggested and include expression of proteins in the mTOR pathway in ER positive, HER2 negative breast cancers. In HER2 positive cancers PIK3CA mutations, and PTEN expression loss are prognostic. Other clinical predictive biomarkers with more limited data include characteristics derived from whole genome sequencing, subsets of circulating leukocytes and changes in Standardized Uptake Values (SUV) of Positron Emission Tomography (PET) scans. Conclusions Putative predictive biomarkers for everolimus efficacy in breast cancer patients, both genomic and clinical, deserve further study and could lead to a better selection of responsive patients.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».