Early CRP kinetics to predict long‐term efficacy of first‐line immune‐checkpoint inhibition combination therapies in metastatic renal cell carcinoma: an updated multicentre real‐world experience applying different CRP kinetics definitions
Notice bibliographique
Résumé
Abstract Objectives Although biomarkers predicting therapy response in first‐line metastatic renal carcinoma (mRCC) therapy remain to be defined, C‐reactive protein (CRP) kinetics have recently been associated with immunotherapy (IO) response. Here, we aimed to assess the predictive and prognostic power of two contemporary CRP kinetics definitions in a large, real‐world first‐line mRCC cohort. Methods Metastatic renal carcinoma patients treated with IO‐based first‐line therapy within 5 years were retrospectively included in this multicentre study. According to Fukuda et al. , patients were defined as ‘CRP flare‐responder’, ‘CRP responder’ and ‘non‐CRP responder’; according to Ishihara et al. , patients were defined as ‘normal’, ‘normalised’ and ‘non‐normalised’ based on their early CRP kinetics. Patient and tumor characteristics were compared, and treatment outcome was measured by overall (OS) and progression‐free survival (PFS), including multivariable Cox regression analyses. Results Out of 316 mRCC patients, 227 (72%) were assigned to CRP groups according to Fukuda. Both CRP flare‐ (HR [Hazard ratio]: 0.59) and CRP responders (HR: 0.52) had a longer PFS, but not OS, than non‐CRP responders. According to Ishihara, 276 (87%) patients were assigned to the respective groups, and both normal and normalised patients had a significantly longer PFS and OS, compared with non‐normalised group. Conclusion Different early CRP kinetics may predict therapy response in first‐line mRCC therapy in a large real‐world cohort. However, further research regarding the optimal timing and frequency of measurement is needed.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».