Real-World Effectiveness and Safety of Immune Checkpoint Inhibitors Combined with Chemotherapy in Taiwanese Patients with Extensive-Stage Small Cell Lung Cancer
Notice bibliographique
Résumé
Purpose: Extensive-stage small cell lung cancer (ES-SCLC) has poor prognosis. While immune checkpoint inhibitors (ICIs) with chemotherapy show survival benefits in trials, real-world data from Asia are scarce. This study evaluates real-world efficacy and safety of chemotherapy with or without ICIs in Taiwanese patients with ES-SCLC and identifies survival predictors. Materials and Methods: A retrospective cohort study analyzed 114 patients with ES-SCLC treated between 2017 and 2023 at four Taiwanese medical centers. Patients received first-line chemotherapy alone (n = 68) or with ICIs (atezolizumab, durvalumab, pembrolizumab; n = 46). Primary endpoints were overall survival (OS) and progression-free survival (PFS), assessed via Kaplan–Meier methods and Cox regression. Results: Baseline characteristics were comparable, except poorer ECOG performance (≥2) in the chemotherapy group (27% vs. 9%; p = 0.021). IO–chemotherapy significantly improved OS (16.1 vs. 9.4 months; HR = 0.32, 95% CI: 0.20–0.52; p < 0.001) and PFS (7.8 vs. 5.5 months; HR = 0.40, 95% CI: 0.26–0.63; p < 0.001). Multivariate analysis confirmed IO–chemotherapy as an independent positive predictor (OS adjusted HR = 0.25, 95% CI: 0.14–0.44; PFS adjusted HR = 0.37, 95% CI: 0.22–0.61; both p < 0.001). Skin rash was more common with IO–chemotherapy (24% vs. 3%; p < 0.001). Immune-related adverse events (AEs) correlated with improved survival (median OS: 21.4 months with 1–2 AEs, 16.6 months with 3–4 AEs, 12.5 months without AEs). Conclusion: Immunochemotherapy significantly improves survival in Taiwanese patients with ES-SCLC, with manageable toxicity, supporting ICIs’ incorporation into standard treatment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».