MétaCan
Menu
Retour à la cohorte
Enregistrement W4408939564 · doi:10.3390/curroncol32040198

Pathogenesis, Diagnosis, and Management of Cytokine Release Syndrome in Patients with Cancer: Focus on Infectious Disease Considerations

2025· review· en· W4408939564 sur OpenAlexvenueno aff
Panos Arvanitis, Andreas Tziotis, Spyridon Papadimatos, Dimitrios Farmakiotis

Notice bibliographique

RevueCurrent Oncology · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueCAR-T cell therapy research
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Allergy and Infectious DiseasesNational Cancer Institute
Mots-clésMedicinePathogenesisDiseaseCytokineCancerIntensive care medicineImmunologyBioinformaticsCytokine release syndromeInfectious disease (medical specialty)PathologyInternal medicineCoronavirus disease 2019 (COVID-19)Biology

Résumé

récupéré en direct d'OpenAlex

Background: Cytokine Release Syndrome (CRS) is a hyperinflammatory state triggered by immune therapies like CAR T-cell therapy and bispecific T-cell engagers (BiTEs). Characterized by excessive cytokine release, CRS often mimics infectious and inflammatory conditions, complicating diagnosis and treatment. Immunosuppressive therapies used for CRS further elevate the risk of secondary infections. Methods: A systematic search of PubMed and EMBASE was conducted using terms related to “cytokine release syndrome”, “cytokine storm”, “infections”, and “management”. Studies were included if they described infectious complications, diagnostic mimics, or therapeutic approaches related to CRS. Results: Of 19,634 studies, 2572 abstracts were reviewed. Infections occurred in up to 23% of patients post-CAR T therapy and 24% post-BiTE therapy. Pathogens included gram-positive and gram-negative bacteria, herpesviruses (e.g., CMV, HSV), fungi (e.g., Candida, Aspergillus), and parasites (e.g., Toxoplasma gondii). CRS mimics also included non-infectious inflammatory syndromes. Differentiation remains challenging, but cytokine profiling and biomarkers (e.g., ferritin, CRP, sIL-2Rα) may aid in diagnosis. Treatments included tocilizumab, corticosteroids, and empiric antimicrobials. Prophylactic strategies were inconsistently reported. Conclusions: Effective CRS management requires early recognition, differentiation from infectious mimics, and collaboration between oncology and infectious disease (ID) specialists. A multidisciplinary, collaborative, and structured approach, including dedicated ID input and pre-treatment evaluation, is essential for optimizing CRS management and patient outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,075
Tête enseignante GPT0,417
Écart entre enseignants0,342 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCurrent OncologyMême sujetCAR-T cell therapy researchTravaux en français237 207