Accelerating the development of genetically engineered cellular therapies: a framework for extrapolating data across related products
Notice bibliographique
Résumé
BACKGROUND: Significant advancements have been made in the field of cellular therapy as anti-cancer treatments, with the approval of chimeric antigen receptor (CAR)-T cell therapies and the development of other genetically engineered cellular therapies. CAR-T cell therapies have demonstrated remarkable clinical outcomes in various hematological malignancies, establishing their potential to change the current cancer treatment paradigm. Due to the increasing importance of genetically engineered cellular therapies in the oncology treatment landscape, implementing strategies to expedite development and evidence generation for the next generation of cellular therapy products can have a positive impact on patients. METHODS: We outline a risk-based methodology and assessment aid for the data extrapolation approach across related genetically engineered cellular therapy products. This systematic data extrapolation approach has applicability beyond CAR-T cells and can influence clinical development strategies for a variety of immune therapies such as T cell receptor (TCR) or genetically engineered and other cell-based therapies (e.g., tumor infiltrating lymphocytes, natural killer cells and macrophages). RESULTS: By analyzing commonalities in manufacturing processes, clinical trial designs, and regulatory considerations, key learnings were identified. These insights support optimization of the development and regulatory approval of novel cellular therapies. CONCLUSIONS: The field of cellular therapy holds immense promise in safely and effectively treating cancer. The ability to extrapolate data across related products presents opportunities to streamline the development process and accelerate the delivery of novel therapies to patients.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».