Associations Between Genetic Variants and Adverse Effects of Gefitinib in Non-small Cell Lung Cancer: A Systematic Review
Notice bibliographique
Résumé
Introduction: Lung cancer remains the leading cause of cancer-related death worldwide, with non–small cell lung cancer (NSCLC) accounting for approximately 85% of cases. Gefitinib is a tyrosine kinase inhibitor frequently used in NSCLC with favorable outcome. However, many patients develop severe adverse effects which might be influenced by genetic variability. Therefore, we aim to systematically review the gene variants and its association with adverse effects of gefitinib in NSCLC patients. Methods: A systematic search was conducted according to PRISMA guidelines across PubMed, Scopus, and Cochrane. Studies investigating the association between genetic variations with adverse effects following gefitinib in NSCLC were included. Extracted data encompassed study and patient characteristics, adverse effects, and identified gene variations. Risk of bias was assessed using the RoB-2 for randomized trials and Newcastle–Ottawa Quality Assessment Scale for cohort and case–control studies. Results: Nineteen studies involving 2.087 patients were included, with Japanese populations being the most studied. Polymorphisms in EGFR and ABCG2 were among the most studied genes. Rash, diarrhea, and hepatotoxicity are the most common adverse effects reported. Poor metabolizers of CYP2D6 and CYP3A53/3, and variations in ABCG2, ABCB1, and EGFR were associated with higher incidence of adverse effects. However, several studies demonstrated no associations between gene variations with adverse effects. Conclusion: Genetic variations in ABCG2, ABCB1, CYP2D6, CYP3A53/3, and EGFR may influence gefitinib-associated adverse effects, highlighting the need of pharmacogenomic testing to guide personalized treatment and improved patient safety. Keywords: Pharmacogenomics, Genetic Variants, Gefitinib, Non-Small Cell Lung Cancer, Adverse Effects
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».