The future of affordable cancer immunotherapy
Notice bibliographique
Résumé
The treatment of cancer was revolutionized within the last two decades by utilizing the mechanism of the immune system against malignant tissue in so-called cancer immunotherapy. Two main developments boosted cancer immunotherapy: 1) the use of checkpoint inhibitors, which are characterized by a relatively high response rate mainly in solid tumors; however, at the cost of serious side effects, and 2) the use of chimeric antigen receptor (CAR)-T cells, which were shown to be very efficient in the treatment of hematologic malignancies, but failed to show high clinical effectiveness in solid tumors until now. In addition, active immunization against individual tumors is emerging, and the first products have reached clinical approval. These new treatment options are very cost-intensive and are not financially compensated by health insurance in many countries. Hence, strategies must be developed to make cancer immunotherapy affordable and to improve the cost-benefit ratio. In this review, we discuss the following strategies: 1) to leverage the antigenicity of "cold tumors" with affordable reagents, 2) to use microbiome-based products as markers or therapeutics, 3) to apply measures that make adoptive cell therapy (ACT) cheaper, e.g., the use of off-the-shelf products, 4) to use immunotherapies that offer cheaper platforms, such as RNA- or peptide-based vaccines and vaccines that use shared or common antigens instead of highly personal antigens, 5) to use a small set of predictive biomarkers instead of the "sequence everything" approach, and 6) to explore affordable immunohistochemistry markers that may direct individual therapies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».