Effects of cannabinoids on immune checkpoint inhibitor response: CCTG pooled analysis of individual patient data
Notice bibliographique
Résumé
Background Immune checkpoint inhibitors (ICIs) benefit patients across various tumor types. ICIs block cancer and T-cell interactions whereas cannabinoids may inhibit T-cell activation, reducing lysis of tumor cells. Interactions between cannabinoid use and dual ICI treatment remain unknown.Methods Individual patient data from 4 Canadian Cancer Trials Group (CCTG) trials of patients treated with dual ICI ± chemotherapy (n = 684) were pooled. Cochran – Mantel – Haenszel and log-rank tests (stratified by trial/treatment arms) correlated cannabinoid use with clinicopathologic characteristics, Best Overall Response (BOR)/iBOR per RECIST 1.1/iRECIST, Progression-Free Survival (PFS)/iPFS, Overall Survival (OS) and immune-related adverse events (irAEs).Results Sixty-five (9.5%) patients took cannabinoids at any time on trial, 32 (4.7%) of which were using cannabinoids at baseline. By multivariate analysis, cannabinoid use at baseline was significantly associated with improved iPFS (0.05), but not iBOR (p = 0.15), PFS (p = 0.12), OS (p = 0.35) or incidence of grade 1/2 or 3/4 irAEs (p = 0.96 and 0.65 respectively). Results were not significantly different with cannabinoid use at any time on trial.Conclusion Improved iPFS with cannabinoid use in patients treated with durvalumab plus tremelimumab ± chemotherapy did not translate into OS benefits. This study supports the safe use of cannabinoids in the context of combination ICI therapy.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».