Literature on target therapy of malignant melanoma.
Notice bibliographique
Résumé
e21506 Background: Malignant melanoma (MM) of mucosal membranes (excluding anus and head and neck) is a rare but aggressive disease with poor outcome. There is little information available on the mechanism of development, risk factors and management of this tumor, mainly due to the low number of cases. Methods: We performed a literature review on MMM (between 1970-2020) with a focus on nonsurgical management and outcome. Results: We identified 9-papers discussing 1500-MM cases. Formerly, for the management of MMM, Dacarbazine, Interferon b, DAV-Feron, Carboplatin, Imatinib, and Paclitaxel were administered. More recently, novel immunotherapeutic and chemotherapeutic medications such as Immune Checkpoint Inhibitors (ICPI) and anti-VEGF agents have been administered in these patients. In 502 patients of metastatic MMM, adding ipilimumab to dacarbazine increased OS from 9.1-to-11.2 months with one year survival increasing from 36.3%-to-47.3 %. For nivolumab & ipilimumab combination therapy in 361 patients with MMM and CMM, MPSF in nivolumab monotherapy was 3-months and 6.2-months (for MMM and CMM, respectively); but in nivo-ipili combination, MPFS was 5.9-months and 11.7-months (for MMM and CMM, respectively). A benefit of bevacizumab addition to platinum-based chemotherapy in patients showing advanced disease on ICPI is unknown; however, combination-therapy may be reasonable if no access to ICPI or autoimmune diseases. Conclusions: MMM patients could benefit from combination of nivolumab to ipilimumab more than monotherapy with either medication alone.[Table: see text]
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,021 |
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 ».