Towards Personalized Radiotherapy in Pelvic Cancer: Patient-Related Risk Factors for Late Radiation Toxicity
Notice bibliographique
Résumé
Normal tissue reactions vary significantly among patients receiving the same radiation treatment regimen, reflecting the multifactorial etiology of late radiation toxicity. Predicting late radiation toxicity is crucial, as it aids in the initial decision-making process regarding the treatment modalities. For patients undergoing radiotherapy, anticipating late toxicity allows for planning adjustments to optimize individualized care. Various dosimetric parameters have been shown to influence the incidence of late toxicity, and the literature available on this topic is extensive. This narrative review examines patient-related determinants of late toxicity following external beam radiotherapy for pelvic tumors, with a focus on prostate and cervical cancer patients. In Part I, we address various methods for quantifying radiation toxicity, providing context for interpreting toxicity data. Part II examines the current insights into the clinical risk factors for late toxicity. While certain factors-such as previous abdominal surgery, smoking behavior, and severe acute toxicity-have consistently been reported, most of the others show inconsistent associations. In Part III, we explore the influence of genetic factors and discuss promising predictive assays. Single-nucleotide polymorphisms (SNPs) likely elevate the risk in specific combinations. Advances in artificial intelligence now allow for the identification of SNP patterns from large datasets, supporting the development of polygenic risk scores. These innovations hold promise for improving personalized treatment strategies and reducing the burden of late toxicity in cancer survivors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».