Abstract 2514: Refining oncology dose selection: A framework for tailored dose optimization in the era of targeted and immunotherapies
Notice bibliographique
Résumé
Abstract Historically, oncology dose selection was driven by the identification of the maximum tolerated dose, often resulting in significant toxicity. The advent of molecular targeted therapies and immunotherapies has created opportunities to achieve similar efficacy at a lower, more tolerable dose. Recent FDA draft guidance highlights the importance of dose optimization in drug development. Building on this, we present a novel framework categorizing drugs into four molecular classes based on their mechanisms of action: (1) small molecule targeted therapies and antibody-drug conjugates, (2) large molecule antagonists, (3) cancer immunotherapy agonists, and (4) molecules with limited or no single-agent activity. Unique considerations and strategies for dose optimization are detailed for each class, supported by case examples. We propose integrating proof of activity as a gating criterion for dose expansion to inform robust dose decisions and maximize the use of patient resources. This perspective underscores the integration of preclinical and clinical data—including pharmacokinetics, pharmacodynamics, and patient-reported outcomes—combined with quantitative pharmacology and statistical modeling, to optimize doses effectively while balancing efficacy and safety. While no one-size-fits-all approach exists, this tailored guidance for specific mechanistic classes provides balanced approaches to dose optimization that ultimately enhance the probability of success in drug development. Citation Format: Neekesh Dharia, Jiawen Zhu, Amy Schroeder, Sabine Frank, Christophe Boetsch, Candice Jamois, Nastya Kassir, Koorosh Korfi, Elizabeth Punnoose, Anjali Vaze, Peter Trask, Pritti Gosai, Jane Fridlyand, Chunze Li. Refining oncology dose selection: A framework for tailored dose optimization in the era of targeted and immunotherapies [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2025; Part 1 (Regular Abstracts); 2025 Apr 25-30; Chicago, IL. Philadelphia (PA): AACR; Cancer Res 2025;85(8_Suppl_1):Abstract nr 2514.
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 | 0,017 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».