Frontline Management of Nodal Peripheral T-Cell Lymphomas
Notice bibliographique
Résumé
Peripheral T-cell lymphomas (PTCLs) represent only 10%-15% of all non-Hodgkin lymphoma but encompass a diverse group of diseases with over 30 different subtypes. As a result of both disease heterogeneity and rarity, therapeutic progress of PTCLs has lagged behind B-cell lymphomas with very few randomized controlled studies to guide management. The most common subtypes are the so-called nodal PTCLs: PTCL-not otherwise specified (NOS), anaplastic large cell lymphoma (ALCL), and nodal T follicular helper cell lymphoma (TFHL) lymphoma, the latter of which includes angioimmunoblastic T-cell lymphoma. Anthracycline-based primary chemotherapy is still the mainstay of treatment for these common PTCL subtypes, but in recent years, we have moved into an era where more personalized therapy can be applied in some settings. Cyclophosphamide, doxorubicin, prednisone, and brentuximab vedotin CHP-BV is the first therapy in PTCL to show an overall survival benefit and represents a new standard for ALCL; however, there is less therapeutic certainty in other CD30-positive PTCLs. Recurrent mutations of epigenetic modifier genes typify TFHLs lymphomas, and collective studies demonstrate a heightened sensitivity to epigenetic therapies, leading to trials integrating these agents in the frontline setting. Molecular studies of PTCL-NOS have defined at least two subtypes, GATA3 and TBX21, the former having a poorer prognosis, but how this guides therapeutics remains unknown. Outside of ALCL, there is a growing debate as to whether trials should focus on adding a novel agent to cyclophosphamide, doxorubicin, vincristine, and prednisone (CHOP) or whether combination novel therapies should be explored in the frontline therapy setting. Finally, the role of consolidative autologous stem-cell transplant in first remission remains an area of active debate.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».