MétaCan
Menu
Retour à la cohorte
Enregistrement W4414923280 · doi:10.3389/fonc.2025.1657282

The effect of tislelizumab on complete and pathological complete response in non-small cell lung cancer: a systematic review and meta-analysis

2025· review· en· W4414923280 sur OpenAlexaboutno aff
Feng Qian, Yan Xiaoxia, Liping Gao, Hui Li, Hongying Jiang

Notice bibliographique

RevueFrontiers in Oncology · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueCancer Immunotherapy and Biomarkers
Établissements canadiensnon disponible
Organismes subventionnairesLanzhou University
Mots-clésChemotherapyPathologicalComplete responseLungLung cancerCell

Résumé

récupéré en direct d'OpenAlex

Background Immune checkpoint inhibitors have transformed non-small cell lung cancer (NSCLC) treatment, and while overall survival (OS) and progression-free survival (PFS) are well-established, a comprehensive meta-analysis focusing on complete response (CR) and pathological complete response (pCR) with tislelizumab-based therapies in NSCLC is lacking. Methods This systematic review and meta-analysis was conducted following PRISMA guidelines. A thorough literature search was performed across PubMed, Embase, and Web of Science. We included both randomized controlled trials and observational studies of tislelizumab in NSCLC, focusing on extracting data for radiological complete response (CR, based on RECIST 1.1 criteria) and pathological complete response (pCR, defined as absence of residual invasive cancer in resected surgical specimens). Risk of bias was assessed using the Cochrane Collaboration’s tool and the Newcastle-Ottawa Scale. Statistical analyses were performed using the ‘meta’ package in R. 95% confidence intervals (CIs) and odds ratios (ORs) were calculated for CR and pCR, and subgroup analyses were conducted. Results 7 studies were enrolled in the meta-analysis. The results on pCR showed significant heterogeneity (I2 = 92.5%), with a random effects OR of 2.1103 (95% CI: 0.5195 to 8.5727). Subgroup analysis for pCR by disease type revealed a statistically significant difference between NSCLC and SCC only subgroups under the common effect model (p < 0.001). Furthermore, the pCR subgroup analysis by comparator drug showed a statistically significant difference (p < 0.0001) between Pembrolizumab+Chemotherapy (OR 0.6968, 95% CI: 0.3803 to 1.2767) and Chemotherapy alone (OR 7.3123, 95% CI: 2.9204 to 18.3092). For CR, the meta-analysis demonstrated minimal heterogeneity (I2 = 0.0%), yielding a significant random effects OR of 2.6277 (95% CI: 1.2858 to 5.3699). Subgroup analysis for CR comparing tislelizumab plus chemotherapy to chemotherapy alone showed a significant advantage (OR 3.8690, 95% CI: 1.5423 to 9.7059). Conclusion Tislelizumab combined with chemotherapy significantly improves CR rates in NSCLC compared to chemotherapy alone. While pCR data exhibit high heterogeneity, the findings highlight tislelizumab’s role in achieving deep tumor responses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,029
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0210,046
Bibliométrie0,0060,007
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,366
Écart entre enseignants0,326 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in OncologyMême sujetCancer Immunotherapy and BiomarkersTravaux en français237 207