Incidence Rates of Cutaneous Immune-Related Adverse Events in Patients with Lung Cancer: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
OBJECTIVE: Cutaneous immune-related adverse events (cirAEs) represent a prevalent manifestation of adverse reactions linked to immune checkpoint inhibitors (ICIs) therapy, substantially affecting patients' quality of life. This systematic review and meta-analysis aimed to quantify the pooled incidence of cirAEs in this population and strengthen clinical awareness for early recognition and management. METHODS: A comprehensive search of PubMed, Embase, CINAHL, Cochrane Library, CBM, CNKI, and Wanfang databases was conducted from inception to December 2022. Literature that reported the incidence of cirAEs in patients with lung cancer receiving ICIs therapy was included. A meta-analysis was conducted using R software, version 4.4.1 to estimate the pooled incidence of cirAEs, and a random-effects model was used for data synthesis. Begg's rank correlation and funnel plots were used to assess publication bias. RESULTS: A total of 99 articles involving 23,814 patients with lung cancer receiving ICIs therapy were included, with publication dates ranging from 2012 to 2022. The meta-analysis results reveal that the incidence of cirAEs in patients with lung cancer was 20.26% (95% confidence interval [CI (17.12-23.81)]. Significant differences were observed between all subgroups, including continent, study type, combination therapy, dual ICIs therapy, and diagnostic criteria for cirAEs for Grade 1-2 and Grade 3-4 incidences. CONCLUSIONS: The incidence of cirAEs in patients with lung cancer is relatively high, particularly undergoing combined or dual ICIs therapy. To comprehensively characterize cirAEs in patients with lung cancer, large-scale multicenter studies integrating real-world pharmacovigilance data are warranted to establish precise incidence estimates and identify clinically significant risk factors. IMPLICATIONS FOR CLINICAL PRACTICE: This review's insights aroused clinical staff's attention and concern about cirAEs, potentially enhancing the quality of life of 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 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 | 0,014 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,043 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».