Adverse Events of PD-1, PD-L1, CTLA-4, and LAG-3 Immune Checkpoint Inhibitors: An Analysis of the FDA Adverse Events Database
Notice bibliographique
Résumé
This study aimed to identify the 25 most prevalent adverse events (AEs) associated with FDA-approved immune checkpoint inhibitors (ICIs)-specifically, PD-1, PD-L1, CTLA-4, and LAG-3 inhibitors-using data from the FDA Adverse Events Reporting System (FAERS), a publicly available repository of reported drug adverse events, and AERSMine, an open-access pharmacovigilance tool, to investigate these adverse events. For PD-1 inhibitors, the most common AEs were diarrhea, fatigue, and pyrexia, with notable instances of neutropenia and hypothyroidism, particularly with toripalimab and dostarlimab. PD-L1 inhibitors also frequently caused pyrexia, diarrhea, and fatigue, with interstitial lung disease and hypothyroidism showing a class effect, and drug-specific AEs such as hepatotoxicity and chills. CTLA-4 inhibitors predominantly resulted in diarrhea and colitis, with ipilimumab frequently causing pyrexia and rash, while tremelimumab exhibited unique AEs such as biliary tract infection. The LAG-3 inhibitor relatlimab reported fewer AEs, including pyrexia and pneumonia. Rare but significant AEs across all inhibitors included myocarditis and myasthenia gravis. This study provides a detailed overview of the 25 most common AEs associated with ICIs, offering valuable insights for clinical decision-making and AE management. Further research is necessary to elucidate the mechanisms underlying these AEs and to develop targeted interventions to enhance the safety and efficacy of ICI therapy in patients with cancer.
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 | 0,000 | 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) | 0,000 | 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 ».