Examining the evidence for immune checkpoint therapy in high-grade serous ovarian cancer
Notice bibliographique
Résumé
The 5-year survival rate for ovarian cancer has remained relatively static over the past number of years, which can be attributed in part to the lack of new therapeutic strategies to target this disease. Although numerous other cancer types have benefited from the success of immune checkpoint inhibitors, their use in clinical trials targeting ovarian cancer has shown limited efficacy. Most clinical trials have focused on PD-1/PD-L1 immune checkpoint blockade, either as a monotherapy or in combination with chemotherapies, however inhibiting other pathways may potentially be more efficacious in treating ovarian cancer. For example, drugs targeting some emerging immune checkpoints (such as LAG-3, TIM-3, TIGIT and PVRIG), are entering into clinical trials, which could show improved success for ovarian cancer patients. Similarly, predictive biomarkers that have been approved for use with immune checkpoint inhibitors, such as PD-L1 expression, are limited, as only the presence or absence of PD-L1 is assessed. However, the development of next generation predictive biomarkers, which assesses density and location of tumour infiltrating lymphocytes, could be more beneficial for this heterogenous cancer. In this review we discuss the use of immune checkpoint inhibitors in ovarian cancer, with a focus on high-grade serous disease, and delve into what the future may hold for immunotherapy in this cancer type.
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) | 0,001 | 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 | 0,001 |
| 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 ».