Outcomes of Clinical Trials on the Roles of Immune Checkpoint Inhibitors in the Management of Lung Cancers: A Comprehensive Review
Notice bibliographique
Résumé
Lung cancer is a deadly clinical condition that necessitates critical clinical intervention for its management. This comprehensive review summarizes findings from clinical trials that assessed the efficacy and safety of immune checkpoint inhibitors (ICIs) for the management of lung cancer. Scientific databases were explored for reports from clinical trials on ICI roles in lung cancer management. Small cell lung cancer mostly develops from chronic smoking, and it is refractory to treatment, resulting in complications and death. On the other hand, many treatment modalities are available for non-small-cell lung cancer, including surgery, radiotherapy, and systemic therapy. ICIs, classified into programmed death-1, programmed death ligand 1 (PD-L1), and cytotoxic T-lymphocyte antigen 4 inhibitors, are used either alone or in combination with other targeted therapies or chemotherapy perioperatively to improve surgical outcomes for resectable lung cancer. Additionally, ICIs are also used in advanced unresectable metastatic lung cancer to reduce tumor growth or as palliative treatment to prolong survival and improve patients’ quality of life. ICI monotherapy, compared to placebo and platinum-based chemotherapy, elicited positive clinical outcomes in patients with lung cancer, resulting in longer overall survival and progression-free survival with tolerable side effect profiles. Similarly, combination therapy comprising ICIs alongside tyrosine kinase inhibitors, platinum-based chemotherapy, or radiotherapy resulted in superior efficacy compared to drug combinations without ICIs but with higher incidences of adverse events. Notably, higher tumor expression of PD-L1 improved clinical response to ICIs.
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 | 0,045 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».