A Guide for Initiating and Managing Chimeric Antigen Receptor T Cell Therapy Clinical Trials in Autoimmune Rheumatic Diseases
Notice bibliographique
Résumé
Chimeric antigen receptor (CAR) T-cell therapy, long transformative in oncology, is now rapidly emerging as a frontier in autoimmune rheumatic diseases, particularly systemic lupus erythematosus (SLE), driven by accumulating evidence of deep B-cell depletion, immune "resetting," and durable drug-free remission in early studies, yet its translation into rheumatology demands mastery of formidable logistical, regulatory, clinical, and ethical complexities that span institutional readiness, multidisciplinary team formation, stringent regulatory compliance, sophisticated operational workflows, comprehensive patient selection and education, meticulous clinical management of both classical toxicities (CRS, ICANS, ICAHT) and autoimmune-specific reactions such as LICATS, robust financial and resource planning, and long-term follow-up extending 15 years or more; successful implementation requires coordinated expertise among rheumatologists, hematologist-oncologists, cellular therapy units, pharmacists, research coordinators, and ICU-capable teams, all embedded within disciplined communication structures, harmonized SOPs, validated PROs, biorepository governance frameworks, and adherence to national and international cellular therapy standards; in parallel, investigators must anticipate bottlenecks such as apheresis access, manufacturing slot scarcity, competing trial enrollment, fluctuating SLE phenotypes, and heterogeneity-driven signal variability, while sustaining patient engagement over years through education, navigation support, and transparent risk/benefit communication; finally, collaboration with industry partners, clinical trial networks, and patient-advocacy organizations is essential for overcoming operational barriers, securing financial sustainability, and ensuring ethical stewardship, so that CAR T-cell clinical trials in autoimmunity can be executed safely, rigorously, and with maximal therapeutic promise for 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 | 0,025 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,009 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,056 |
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 ».