亲爱的同事们,更新 - TKI 治疗转移性肾细胞癌的治疗中断 我写信是为了通知您有关使用 TKI 治疗转移性肾细胞癌时治疗中断申请要求的更新。在 STAR 试验结果公布后,NHS England 现在允许接受 TKI 治疗肾细胞癌的患者按照 STAR 试验 1 方案进行有计划的治疗中断。有关 STAR 试验的更多信息,请访问:https://doi.org/10.1016/S1470- 2045(22)00793-8。NHS England 目前委托使用以下 TKI 治疗转移性肾细胞癌: 需要事先批准(Blueteq)表格:
。CC-BY-NC-ND 4.0 国际许可证(未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。
在过去的二十年中,节拍化疗引起了广泛关注,并在癌症治疗中取得了显著的成功。通过长期给药和低剂量方案,节拍化疗的不良事件较少,但仍能有效地控制疾病。其抗血管生成特性、对癌细胞的直接影响、对肿瘤微环境的免疫调节作用以及代谢重编程能力的确定,确立了这种治疗方法的内在多靶点性质。最近,节拍化疗的应用已从转移性疾病的抢救治疗发展为高风险癌症患者的辅助维持治疗,这是由几项重大 III 期试验的成功推动的。在这篇综述中,我们深入探讨了节拍化疗抗肿瘤作用的潜在机制,并提供了与其他疗法联合治疗各种恶性肿瘤的潜在见解。此外,我们还讨论了这种治疗方案的健康经济优势和候选方案。
• 发烧或发冷 • 咳嗽 • 失去嗅觉或味觉 • 呼吸困难 • 喉咙痛 • 食欲不振 • 流鼻涕 • 打喷嚏 • 极度疲劳或倦怠 • 头痛 • 身体疼痛 • 恶心或呕吐 • 腹泻
目的:评价阿帕替尼治疗纤维肉瘤术后复发患者的疗效及安全性。方法:回顾性分析2015年9月至2017年9月间接受化疗的56例纤维肉瘤术后复发患者的临床资料(患者一般资料差异无统计学意义)(P>0.05)。观察单药治疗患者与常规化疗(MAID/AI)患者在药物使用及不良反应方面的差异。结果:与常规化疗组相比,阿帕替尼单药治疗组患者总有效率(ORR)和疾病控制率(DCR)均提高。接受阿帕替尼治疗的患者不良反应发生率改善,且症状轻微(P<0.05)。结论:阿帕替尼是一种单药方案,可用于血管内皮生长因子受体-2(VEGFR- 2)高表达的纤维肉瘤复发病例;其短期疗效极佳,副作用极小。该药物可作为常规化疗方案的一部分。关键词:纤维肉瘤,化疗,阿帕替尼,预后
表 6.14. 至少 1% 接受 Donanemab 治疗的患者发生的严重不良事件,包括根据观察时间调整的发生率,按系统器官类别中的首选术语、Donanemab 分析集 ................................................................................................................................ 79
热休克蛋白 47 (HSP47) 是一种内质网驻留胶原蛋白特异性伴侣,在胶原蛋白生物合成和结构组装中起重要作用。HSP47 由 SERPINH1 基因编码,该基因位于 11q13.5 染色体上,这是人类癌症中扩增最频繁的区域之一。HSP47 的表达受多种细胞因子调节,包括细胞因子、转录因子、microRNA 和环状 RNA。HSP47 在多种癌症中经常上调,在肿瘤进展中起重要作用。HSP47 促进肿瘤干细胞、血管生成、生长、上皮-间质转化和转移能力。HSP47 还调节肿瘤治疗的疗效,例如化疗、放疗和免疫疗法。抑制 HSP47 表达具有抗肿瘤作用,表明靶向 HSP47 是治疗癌症的可行策略
摘要:利用废水替代有限的水资源和环境保护的概念使该行业取得了重大的技术进步,并因此为我们提供了大量物理数据,包括化学、生物和微生物信息。研究这些数据后,更容易理解废水处理系统。为了实现这一点,许多研究使用机器学习 (ML) 算法作为一种主动的方法来解决问题并建模这些处理系统的功能,同时利用收集到的实验数据。本文的目标是使用文本分析技术从“Web of Science”数据库中的科学文献中提取最流行的机器学习模型,并分析它们的相关性和历史发展。这将有助于提供关于应用人工智能 (AI) 克服废水处理技术面临的挑战的出版物的总体概述和全球科学跟踪。研究结果表明,发达国家是该研究主题文章的主要出版者,对出版趋势的分析显示数量呈指数级增长,反映了科学界对该主题的兴趣。结果还表明,监督学习在研究人员中很受欢迎,其中人工神经网络 (ANN)、随机森林 (RF)、支持向量机 (SVM)、线性回归 (LR)、自适应神经模糊推理系统 (ANFIS)、决策树 (DT) 和梯度提升 (GB) 是废水处理领域最常用的机器学习模型。优化方法的研究表明,校准模型最著名的方法是遗传算法 (GA)。最后,机器学习通过提高数据分析的准确性和效率使废水处理受益。然而,由于模型训练需要大量高质量的数据,因此挑战也随之而来。此外,机器学习模型的可解释性有限,使得人们难以理解废水处理中的潜在机制和决策。