Second-Line Treatment after Failure of Immune Checkpoint Inhibitors in Hepatocellular Carcinoma: Tyrosine Kinase Inhibitor, Retrial of Immunotherapy, or Locoregional Therapy?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Immune checkpoint inhibitor (ICI)-based therapy such as atezolizumab plus bevacizumab or durvalumab plus tremelimumab became mainstream first-line systemic treatment in advanced hepatocellular carcinoma (HCC) patients since remarkably superior efficacy of ICI-based therapy compared to tyrosine kinase inhibitors (TKIs) was reported in two recent randomized controlled trials (RCTs) (IMbrave150, HIMALAYA). However, the optimal second-line therapy after treatment failure of first-line ICI-based therapy remains unknown as no RCT has examined this issue. Summary: Therefore, at present, most clinicians are empirically treating patients with TKIs or retrial of ICI or locoregional treatment (LRT) modality such as transarterial therapy, radiofrequency ablation, and radiation therapy in this clinical setting without solid evidence. In this review, we will discuss current optimal strategies for second-line treatment after the failure of first-line ICI-based therapy by reviewing published studies and ongoing prospective trials. Key Messages: Clinicians should consider carefully whether to treat the patients with TKI, other ICI-based therapy, or LRT in this situation by considering several factors including liver function reserve, performance status, adverse events of previous therapy, and presence of lesion that can consider LRT such as oligoprogression and vascular invasion. In the meantime, we await the results of ongoing prospective trials to elucidate the best management options.
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.
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 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle