State of the art of the molecular hyperselection to guide treatment with anti-EGFR antibodies in RAS WT mCRC: implications for clinical practice and future perspectives
Notice bibliographique
Résumé
INTRODUCTION: Adding monoclonal antibodies to chemotherapy drastically changed the landscape of advanced colorectal cancer. The prediction of benefit from anti-EGFR therapies is mainly based on the absence of mutations in RAS and BRAF genes, the primary tumor sidedness and microsatellite MSS/MSI status. Molecular hyperselection may optimize the outcome of patients receiving anti-EGFR while detecting additional resistance alterations, both in chemo-naïve and in chemo-refractory settings. AREAS COVERED: Our review focuses on negative molecular hyperselection, both on tissue samples and ctDNA, and the impact of this further patient selection on response rate and survival outcomes. We searched electronic database, selecting relevant English-language publications from 2017 to 2024. EXPERT OPINION: Negative hyperselection beyond RAS and BRAF in advanced colorectal cancer appears to be a powerful tool for predicting outcomes to anti-EGFR therapy and spare patients from unnecessary treatment. This improvement appears in both naïve and pre-treated patients. However, data come mainly from retrospective studies. Therefore, to validate and integrate these findings in the clinical practice, prospective studies should be conducted. It will be interesting to elucidate the role of ctDNA in this setting and the choice of molecular techniques, considering costs and accessibility, to guarantee its implementation in the clinic.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».