Impact of immunological aging on T cell-mediated therapies in older adults with multiple myeloma and lymphoma
Notice bibliographique
Résumé
The treatment landscape for lymphoma and multiple myeloma, which disproportionally affect older adults, has been transformed by the advent of T cell-mediated immunotherapies, including immune checkpoint inhibition, T cell-engaging bispecific antibodies, and chimeric antigen receptor (CAR) T cell therapy, during the last decade. These treatment modalities re-enable the patient's own immune system to combat malignant cells and offer the potential for sustained remissions and cure for various diseases.Age profoundly affects the physiological function of the immune system. The process of biological aging is largely driven by inflammatory signaling, which is reciprocally fueled by aging-related alterations of physiology and metabolism. In the T cell compartment, aging contributes to T cell senescence and exhaustion, increased abundance of terminally differentiated cells, a corresponding attrition in naïve T cell numbers, and a decrease in the breadth of the receptor repertoire. Furthermore, inflammatory signaling drives aging-related pathologies and contributes to frailty in older individuals. Thus, there is growing evidence of biological aging modulating the efficacy and toxicity of T cell-mediated immunotherapies.Here, we review the available evidence from biological and clinical studies focusing on the relationship between T cell-mediated treatment of hematologic malignancies and age. We discuss biological features potentially impacting clinical outcomes in various scenarios, and potential strategies to improve the safety and efficacy of immune checkpoint inhibitors, T cell-engaging bispecific antibodies, and CAR-T cell therapy in older 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».