Prevalence of Molecular Mutations in Non–Small Cell Lung Cancer and Current Treatment Approaches in the MENA Region: Systematic Review and Expert Opinion
Notice bibliographique
Résumé
ABSTRACT Over the past decade, the discovery of immunotherapy and targeted therapy has set new standards for the management of advanced non–small cell lung cancer (NSCLC). This study aims to investigate the prevalence of ALK , EGFR , KRAS , ROS1 , MET , BRAF , and HER2 mutations in patients with NSCLC within the Middle East and North Africa (MENA) region and to assess the current state of molecular testing and targeted treatments in the Gulf Cooperation Council (GCC) region. The systematic literature review was performed using PubMed, Google Scholar, and Google searches to identify studies on the prevalence of ALK , EGFR , KRAS , ROS1 , MET , BRAF , and HER2 mutations in patients with NSCLC in the MENA region. Additionally, 10 experts from the GCC region were interviewed to provide insights into molecular mutation testing, the challenges faced, and the current approaches to targeted therapies. The prevalence of ALK , EGFR , KRAS , ROS1 , MET , and BRAF mutations was 7.9% (95% CI, 6.69–9.03%), 24% (95% CI, 22.05–25.41%), 19.7% (95% CI, 15.29–24.07%), 2.2% (95% CI, 0.77–3.57%), 4.7% (95% CI, 2.29–7.07%) and 3.7% (95% CI, 1.54–5.80%), respectively. HER2 mutation data were unavailable. Treatment generally adhered to international guidelines, with therapy selection based on tumor stage, molecular profile, and drug availability. Expert opinions highlighted significant advancements in molecular diagnostics and targeted therapies but also pointed out the challenges in standardizing and implementing these techniques across the GCC region. This review underscores the importance of personalized and region-specific approaches to NSCLC treatment, given the significant differences in mutation patterns in the MENA region. Further research is needed to gain a more comprehensive understanding of the prevalence and effect of driver mutations across broader MENA countries to inform future treatment strategies.
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 | 0,010 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».