SITC perspective: leveraging patient enrichment biomarkers to accelerate early phase IO drug development
Notice bibliographique
Résumé
Cancer immunotherapy (IO) enables patients to live well with cancer for many years, or even be cured. Several investigational IO agents recently failed in early-phase or late-phase trials, leading some to doubt the future of IO. Patient heterogeneity (eg, tumor characteristics, treatment history) increases the risk that a clinically active IO drug might be discarded. Enriching enrollment for patients with biomarkers hypothesized to reflect a higher probability of clinical benefit across clinical development should mitigate this risk. The Society for Immunotherapy of Cancer convened diverse IO stakeholders to discuss leveraging biomarkers at the earliest stages of drug development to accelerate the delivery of innovative IO agents to patients. This group developed a framework based on a biomarker-based enrichment strategy in early trials that evolves into the development of more precise predictive biomarkers in late phase trials. This framework integrates mechanistic insights related to the drug and its impact on the tumor microenvironment derived from preclinical data, digital pathology, exploratory multiomics, and artificial intelligence that are continuously refined through both adaptive and randomized clinical trials. Biomarker-based enrichment in early clinical development should de-risk late-stage trials, ultimately expanding the portfolio of innovative IO drugs available to patients.
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 | 0,037 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».