Sequencing Antibody Drug Conjugates in Breast Cancer: Exploring Future Roles
Notice bibliographique
Résumé
Antibody drug conjugates (ADCs) have emerged as a highly effective treatment strategy across breast cancer (BC) subtypes, including human epidermal growth factor receptor 2-positive (HER2+), hormone-receptor positive (ER/PR+), and triple-negative breast cancer (TNBC). Over the past twenty years, ADCs have undergone relevant evolutions, from target diversity to payload ratio, to linker design, allowing for a progressive increase in their efficacy. From the first-generation ADC, trastuzumab emtansine (T-DM1), approved in 2013 for HER2+ breast cancer, to next generation ADCs such as sacituzumab govitecan and trastuzumab deruxtecan, to emerging ADCs on the horizon, we continue to see unparalleled efficacy compared to traditional chemotherapy. However, each ADC has brought a new cadre of adverse events for clinicians and patients to manage. Importantly, with the development and approval of several ADCs to treat metastatic breast cancer, there are unanswered clinical questions surrounding how to optimally sequence treatment for patients who may be candidates for more than one ADC and, in general, how to treat patients beyond progression on ADCs. From bench to bedside, in this review, we will discuss the pharmacology and current indications for the novel ADCs trastuzumab deruxtecan and sacituzumab govitecan. Highlighting emerging ADCs and ongoing clinical trials, we will anticipate the changes in the breast cancer treatment paradigm. Lastly, we will outline the available data and current approaches for adverse event management and sequencing strategies for ADCs in clinical practice, including proposed mechanisms of resistance.
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) | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».