Identifying Modifiers of CAR T-Cell Therapeutic Efficacy and Safety: A Systematic Review and Individual Patient Data Meta-Analysis
Notice bibliographique
Résumé
CAR T-cell therapy is effective in relapsed/refractory hematologic malignancies, but its use has been tempered by heterogeneity in response and safety outcomes. We performed individual patient data meta-analysis (IPDMA) of CAR T-cell therapy in patients with hematologic malignancies to explore whether patient-level factors modify therapeutic efficacy/safety. We searched MEDLINE, Embase, and Cochrane CENTRAL for relevant trials. IPD was collected and pooled from each included trial, and prevalence of outcomes among strata of potential modifiers was explored. Our primary outcome was complete response, and the secondary outcomes were cytokine release syndrome (CRS), and immune effector cell associated neurotoxicity syndrome (ICANS). We identified 89 trials comprising 2,331 patients for the IPDMA. Complete response proportion ranged from 25% to 75% depending on cancer type. Decreased complete response was seen in those that received bridging therapy compared to those that did not (34% vs 58%, RR:0.55, 95% CI:0.30-0.98), as well as with autologous cell sources compared to allogeneic sources (53% vs 67%, RR:0.61, 95% CI:0.43-0.87). Compared to CAR T-cell therapies targeting CD19 alone, therapies that combine CD19 targeting with additional targets such as CD20, CD22, CD30, CD33, LeY, NKG2D, or BCMA were associated with higher complete response rates (72% vs 58%, RR:1.69, 95% CI:1.15-2.50). Autologous cell sources demonstrated increased risk of ICANS relative to allogeneic sources (24% vs 3%, RR:10.48, 95% CI:1.87-58.57). Safety and efficacy of CAR T-cell therapy within specific cancer types was also affected by modifiers including bridging therapy, CAR T-cell source, CAR T-cell target, sex, age, number of cell infusions, co-stimulatory domain, and dose.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,026 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».