MétaCan
Menu
Retour à la cohorte
Enregistrement W4310549999 · doi:10.1136/jitc-2022-005732

Immune checkpoint inhibitor therapy and outcomes from SARS-CoV-2 infection in patients with cancer: a joint analysis of OnCovid and ESMO-CoCARE registries

2022· article· en· W4310549999 sur OpenAlexaff
Alessio Cortellini, Gino M Dettorre, Urania Dafni, Luís Castelo-Branco, Matteo Lambertini, Spyridon Gennatas, Vasileios Angelis, Ailsa Sita-Lumsden, Jacobo Rogado, Paolo Pedrazzoli, D. Viñal, Aleix Prat, Maura Rossi, Rossana Berardi, Teresa Alonso‐Gordoa, Salvatore Grisanti, Georgia Dimopoulou, Paola Queirolo, Sylvain Pradervand, Alexia Bertuzzi, Mark Bower, Dirk Arnold, Ramón Salazar, Marco Tucci, Kevin J. Harrington, Francesca Mazzoni, Uma Mukherjee, Zoi Tsourti, Olivier Michielin, Fanny Pommeret, Joan Brunet, Bruno Vincenzi, Giuseppe Tonini, Andrea Patriarca, Federica Biello, Marco Krengli, Josep Tabernero, George Pentheroudakis, Alessandra Gennari, Solange Peters, Emanuela Romano, David J. Pinato

Notice bibliographique

RevueJournal for ImmunoTherapy of Cancer · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensRoyal Ottawa Mental Health Centre
Organismes subventionnairesNIHR Imperial Biomedical Research CentreEuropean Society for Medical OncologyCancer Treatment and Research TrustNational Institute for Health and Care Research
Mots-clésMedicineCancerImmune systemCoronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Immune checkpointImmunotherapyImmunologyOncologyIntensive care medicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background As management and prevention strategies against COVID-19 evolve, it is still uncertain whether prior exposure to immune checkpoint inhibitors (ICIs) affects COVID-19 severity in patients with cancer. Methods In a joint analysis of ICI recipients from OnCovid ( NCT04393974 ) and European Society for Medical Oncology (ESMO) CoCARE registries, we assessed severity and mortality from SARS-CoV-2 in vaccinated and unvaccinated patients with cancer and explored whether prior immune-related adverse events (irAEs) influenced outcome from COVID-19. Findings The study population consisted of 240 patients diagnosed with COVID-19 between January 2020 and February 2022 exposed to ICI within 3 months prior to COVID-19 diagnosis, with a 30-day case fatality rate (CFR30) of 23.6% (95% CI 17.8 to 30.7%). Overall, 42 (17.5%) were fully vaccinated prior to COVID-19 and experienced decreased CFR30 (4.8% vs 28.1%, p=0.0009), hospitalization rate (27.5% vs 63.2%, p<0.0001), requirement of oxygen therapy (15.8% vs 41.5%, p=0.0030), COVID-19 complication rate (11.9% vs 34.6%, p=0.0040), with a reduced need for COVID-19-specific therapy (26.3% vs 57.9%, p=0.0004) compared with unvaccinated patients. Inverse probability of treatment weighting (IPTW)-fitted multivariable analysis, following a clustered-robust correction for the data source (OnCovid vs ESMO CoCARE), confirmed that vaccinated patients experienced a decreased risk of death at 30 days (adjusted OR, aOR 0.08, 95% CI 0.01 to 0.69). Overall, 38 patients (15.8%) experienced at least one irAE of any grade at any time prior to COVID-19, at a median time of 3.2 months (range 0.13–48.7) from COVID-19 diagnosis. IrAEs occurred independently of baseline characteristics except for primary tumor (p=0.0373) and were associated with a significantly decreased CFR30 (10.8% vs 26.0%, p=0.0462) additionally confirmed by the IPTW-fitted multivariable analysis (aOR 0.47, 95% CI 0.33 to 0.67). Patients who experienced irAEs also presented a higher median absolute lymphocyte count at COVID-19 (1.4 vs 0.8 109 cells/L, p=0.0098). Conclusion Anti-SARS-CoV-2 vaccination reduces morbidity and mortality from COVID-19 in ICI recipients. History of irAEs might identify patients with pre-existing protection from COVID-19, warranting further investigation of adaptive immune determinants of protection from SARS-CoV-2.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,374
Écart entre enseignants0,323 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal for ImmunoTherapy of CancerMême sujetCOVID-19 and healthcare impactsTravaux en français237 207