Navigating second-line therapy after immunotherapy in advanced HCC☆
Notice bibliographique
Résumé
In recent years, systemic treatment options for hepatocellular carcinoma (HCC) have expanded significantly, with pivotal phase 3 trials reporting unprecedented survival and response outcomes. However, these advancements have largely focused on first-line strategies, thereby challenging existing treatment sequences and raising questions about the optimal approach following disease progression. Several therapeutic options are available in second and further line — including immunotherapies, tyrosine kinase inhibitors, and local therapies — but so far comprehensive head-to-head comparisons to establish the ideal treatment sequence are lacking. Consequently, most evidence guiding second-line therapy has been derived from post-hoc analyses, real-world data, and select prospective studies, primarily based on phase 2 designs. In clinical practice, treatment decisions integrate this evolving evidence base with patient-specific factors such as prior treatment response, liver function, and performance status, often within the constraints of regulatory and accessibility considerations. Ongoing research is investigating novel approaches, including the continuation of immunotherapy post-progression, the application of CAR T-cells, and targeted treatments against specific markers like FGF19 and glypican-3. This review provides an overview of the current evidence for second-line and subsequent therapies, explores key considerations in treatment sequencing, and highlights emerging strategies that may further refine the therapeutic landscape for HCC.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».