MedElevator
Войти в исследования DOI 10.1038/s41408-025-01238-4
Multiple myeloma as a challenging multidimensional random process: a data-driven web-based application for treatment selection.
Аннотация
Аннотация не предоставлена источником. Содержательный обзор этой публикации недоступен.
Полный текст на русском
Машинный перевод · не проверен
Многофазная миелома (ММ) — это кровь заболевание, характеризующееся периодами ремиссии и прогрессирования, влиянием множества факторов [ 1 ]. Современные подходы к терапии ММ основаны на балансе ожидаемой эффективности и токсичности лечения для продления продолжительности и улучшения качества жизни пациентов. Однако методы определения оптимальной терапевтической стратегии недостаточно совершенны [ 2 ]. Не все клинические рекомендации возможны в различных условиях здравоохранения. В этой ситуации врачи склонны продолжать использовать собственный опыт и эмпирические подходы. Любые рекомендации требуют постоянного обновления, хотя скорость обновления не может оставайтесь в курсе изменений в терапевтических ландшафтах в MM [ 3 ].
Прогресс в терапии за последние 30 лет значительно улучшил нашу способность лечить MM [ 4 ]. Несмотря на то, что доступно около дюжины вариантов лечения, сравнение всех этих терапевтических схем напрямую может быть сложным из-за стоимости и времени, необходимых для дополнительных клинических испытаний [ 2 , 5 ].
Неопределённая природа течения болезни позволяет рассматривать миелому как многомерный случайный процесс. В такой модели биологические, иммунологические, цитогенетические и другие характеристики опухоли и организма пациента выступают измеряемыми параметрами [ 1 , 6 ]. Ответ на лечение также вероятностный и влияемый множеством факторов, что делает его сложным предсказать эффективность и выбрать оптимальное лечение. Процесс лечения пациента крайне неопределенный, что означает, что возможны различные сценарии развития болезни и реакции на лечение [ 7 , 8 ]. Обычно мы реагируем на возникновение конкретного сценария без его предварительного прогнозирования. Однако прогноз возможен с разной степенью вероятности, в зависимости от наших действий на предыдущем этапе. Например, в зависимости от лечения, которое мы назначаем, изменяется список сценариев дальнейшего развития болезни для данного пациента. увеличение вероятности благоприятных сценариев приводит к улучшению общей эффективности терапии.
Выбор оптимальной терапии для пациента с ММ в текущей клинической практике является сложной задачей, особенно в случае рецидива из-за количества доступных вариантов и большого числа переменных, влияющих на выбор терапии. Мы можем максимизировать вероятность благоприятного результата, выбирая наиболее подходящую терапию. Поэтому важной целью является разработка системы, которая может использоваться в клинической практике для определения наиболее подходящих вариантов для каждого пациента. Такая система должна проверьте разнообразие существующих терапевтических вариантов, используя доступные данные, обновляемые регулярно и удобные для клиницистов. Он должен перечислять наиболее подходящие варианты лечения вместе с опубликованными данными о реакции и результатах для каждого из них. Мы предлагаем веб-инструмент для выбора наиболее эффективной терапии для множественной миеломы, который соответствует перечисленным выше целям. Эта программа была разработана командой экспертов из Национального медицинского исследовательского центра онкологии имени Блокхина Министерства здравоохранения Российской Федерации, объединяя передовые вычислительные методы с клиническим опытом, чтобы обеспечить её актуальность и надёжность.
Веб-приложение доступно по https://oncotriage.com/ . Позволяет проводить поиск и косвенное сравнение вариантов лечения в ММ и приводится здесь как пример, а не как рекомендации по терапии или медицинской консультации. Пользователи могут вводить пациентспецифическую информацию через удобный интерфейс. После вывода инструментов пользователь получает список рекомендованных вариантов лечения, отсортированных по их прогнозируемой эффективности. Предложенный подход учитывает все доступные данные, включая клинические исследования и реальный мир доказательства, при моделировании интегрального показателя ответа на лечение.
Информация о вариантах лечения и их эффективности (очень хорошая частота ответа или лучше (VGPR +), прогрессивная выживаемость и минимальное остаточное заболевание) используются в базе данных веб-приложения получены вручную из научных медицинских публикаций, индексированных в США National Library of Medicine’s MEDLINE базы данных с 2003Данные из конференций American Society of Clinical Oncology, European Hematology Association и American Society of Hematology также включены. В настоящее время веб-приложение учитывает данные из общего количества 67,257 MM пациентов, включая 167 терапевтических вариантов из 384 разных исследований. Все терапевтические подходы были отмечены согласно показаниям для использования: линии терапии (1st, 2nd, 3rd или выше), MM цитогенетический риск (высокий или стандартный), t(11;14) (для учета показаний для BCL2 ингибиторов), подходит ли к трансплантации стволовых клеток, состояние слабости (здоров/нездоров) и значительная почечная недостаточность (креатининная чистота <40 мЛ/мин/1.73 m2). Также, все исследования отмечены типом (рандомизированные клинические испытания (RCT), односторонние клинические испытания (CT), реальный мир (RWE)) и другие условия. Всякий раз, когда новые статьи публикуются, база данных приложения обновляется в реальном времени.
Веб-приложение использует метод Монте-Карло для расчета оценок эффективности лечения. Метод моделирует изучаемый процесс математически с помощью генераторов случайных переменных. Этот метод рассчитывает априорные вероятности VGPR+ с доверительными интервалами (CI) с использованием собранных баз данных публикаций. Он последовательно моделирует вероятность VGPR+ на случайных образцах, полученных путем пересбора из первоначально включенных исследований. Для дальнейшей поддержки интерпретации и анализа платформа включает ретrieve-аугментированную генерацию (RAG)-объект большого языкового модели (RAG-LLM). Эта добавка позволяет динамически ссылаться на внешние знания для интерпретации результатов симуляции и анализа данных из научной литературы, включая профили токсичности. Эта гибридная подход максимизирует надежность и клиническую полезность рекомендаций по лечению пациентов с множественной миеломой (ММ). 1 первого линия терапии и cilta-cel (ciltacabtagene autoleucel) как 3 третьей или более линии терапии. 18 используя Monte Carlo-симуляцию с 10, CT – 1отсылками к клиническим исследованиям (КР – 7, РВЭ – 4,929 общим количеством пациентов, оцениваемая вероятность VGPR+ для VRd в первом линии терапии составляет 0.69 (95%CI: 0.677–0.702), см. рис. 1 . Для cilta-cel в третьей или более линии терапии оцененная вероятность VGPR+ составляет 0.83 (95%CI: 0.804–0.871) на основе 5 исследований (КР – 3, CT - 1, РВЭ – 1) с общим количеством 445 пациентов, см. рис. 2 . Рис. 1 Мonte Carlo-симуляция VGPR+ у пациентов с ММ при использовании VRd как 1 первого линия терапии. Рис. 2 Мonte Carlo-симуляция VGPR+ у пациентов с ММ при использовании Cilta-cel как 3 третьего или более линии терапии. 1 Рис. 1 Мonte Carlo-симуляция VGPR+ у пациентов с ММ при использовании VRd как 2 первого линия терапии. при использовании Cilta-cel как 3 третьей линии терапии или выше.
Эти результаты демонстрируют способность симуляционной модели учитывать опубликованные данные на различных схемах лечения и надежно оценивать вероятности ответа на лечение с учетом гетерогенности между исследованиями. Поскольку доверительные интервалы обратно пропорциональны размеру выборки пациентов, клинические испытания с малым количеством пациентов могут обеспечивать менее надежные оценки вероятности ответа на лечение.
Сегодня гематологи заботятся о разработке рисково-адаптированных, ответа-адаптированных и персонализированных подходов к лечению MM [ 9 , 10 ]. Основная трудность при выборе наиболее эффективного варианта лечения ММ заключается в большом числе факторов, связанных с пациентом и заболеванием, которые необходимо учитывать, а также в чрезвычайно широком разнообразии терапевтических возможностей. Другая проблема — отсутствие строгого консенсуса относительно оптимального варианта для конкретного клинического профиля пациента. Число сценариев течения заболевания у конкретного пациента в контексте различных методов лечения может составлять от десятков до сотен. На сегодняшний день не существует единых правил или алгоритмов, позволяющих выбрать среди них оптимальный сценарий.
Предлагаемое нами веб-приложение является возможным решением для предлагаемый веб-приложение может быть решением для выбора оптимального режима лечения в ММ на основе наиболее важных переменных, которые необходимо учитывать при этом решении. Оно также включает генеративную ИИ с возможностями усиления через ретrieve-augmented generation (RAG), чтобы улучшить интерпретацию результатов и анализ внешних данных, таких как профили токсичности и доступность лечения в регионах. Эта интеграция обеспечивает, что рекомендации основаны как на реальных данных, так и на последних научных работах.
3/13/2025
Оригинальная онлайн-версия этой статьи была переработана: в этой статье раздел о финансировании был обновлен. Исправление этой статьи опубликовано:
3/13/2025
Изменения в истории 10.1038/s41408-025-01249-1
Вклад авторов
Доктор Лучинин А.С.: сбор данных, анализ, визуализация и интерпретация результатов. Подготовка первоначального черновика статьи. Доктор Семенова А.А.: обзор литературы, финальная редакция статьи для отправки. Доктор Геворкян Т.Г.: концептуализация исследования, разработка методологии и критическая редакция статьи. Все авторы прочитали и одобрили окончательную версию статьи и согласны быть ответственными за все аспекты работы. 70-2024-000121 dd 29.03.2024Финансирование 000000D730324P540002Это исследование финансово поддержано Анализическим центром правительства Российской Федерации (Согласие № Доктор Лучинин не имеет конфликтов интересов, связанных с представленной работой.
Ссылки
1. Cowan AJ Green DJ Kwok M Lee S Coffey D Holmberg L Диагностика и лечение множественной миеломы: обзор JAMA 2022 327 464 77 10.1001/jama.2022.0003 35103762 Cowan AJ, Green DJ, Kwok M, Lee S, Coffey D, Holmberg L, et al. Диагностика и лечение множественной миеломы: обзор. JAMA. 2022;327:464–77. 10.1001/jama.2022.0003. 35103762 10.1001/jama.2022.0003
2. Mateos M-V Ludwig H Bazarbachi A Beksac M Bladé J Boccadoro M Взгляды на стратегии лечения множественной миеломы HemaSphere 2019 3 e163 10.1097/HS9.0000000000000163 31723802 PMC6745941 Mateos M-V, Ludwig H, Bazarbachi A, Beksac M, Bladé J, Boccadoro M, et al. Взгляды на стратегии лечения множественной миеломы. HemaSphere. 2019;3:e163 10.1097/HS9.0000000000000163. 31723802 10.1097/HS9.0000000000000163 PMC6745941
3. Kumar SK Callander NS Adekola K Anderson L Baljevic M Baz R Множественная миелома, версия 2.2024, NCCN Clinical Practice Guidelines in Oncology J Natl Compr Cancer Netw: JNCCN 2023 21 1281 301 10.6004/jnccn.2023.0061 38081133 Kumar SK, Callander NS, Adekola K, Anderson L, Baljevic M, Baz R, et al. Множественная миелома, версия 2.2024, NCCN Clinical Practice Guidelines in Oncology. J Natl Compr Cancer Netw: JNCCN. 2023;21:1281–301. 10.6004/jnccn.2023.0061. 38081133 10.6004/jnccn.2023.0061
4. Chacon A Leleu X Bobin A 30 Годы улучшения выживаемости у пациентов с нетрансплантационным новым диагнозом множественной миеломы Cancers 2023 15 1929 10.3390/cancers15071929 37046589 PMC10093071 Chacon A, Leleu X, Bobin A. 30 Годы улучшения выживаемости у пациентов с нетрансплантационным новым диагнозом множественной миеломы. Cancers. 2023;15:1929. 10.3390/cancers15071929. 37046589 10.3390/cancers15071929 PMC10093071
5. Braunlin M Belani R Buchanan J Wheeling T Kim K Тренды в ландшафте лечения множественной миеломы и выживаемости: анализ США с использованием 2011-2019 данных электронных медицинских записей клиник онкологии Источник: Leuk Lymphoma 2021 62 377 86 10.1080/10428194.2020.1827253 33026271 Braunlin M, Belani R, Buchanan J, Wheeling T, Kim K. Trends in the multiple myeloma treatment landscape and survival: a U.S. analysis using 2011-2019 oncology clinic electronic health record data. Leuk Lymphoma. 2021;62:377–86. 10.1080/10428194.2020.1827253. 33026271 10.1080/10428194.2020.1827253
6. Rees MJ Kumar S High-risk multiple myeloma: Redefining genetic, clinical, and functional high-risk disease in the era of molecular medicine and immunotherapy Am J Hematol 2024 10.1002/ajh.27327 38613829 Rees MJ, Kumar S. High-risk multiple myeloma: Redefining genetic, clinical, и функциональные высокорисковые заболевания в эпоху молекулярной медицины и иммунотерапии. Am J Hematol. 2024. 10.1002/ajh.27327. 38613829 10.1002/ajh.27327
7. Bertamini L Bertuglia G Oliva S Beyond Clinical Trials in Patients With Multiple Myeloma: A Critical Review of Real-World Results Front Oncol 2022 12 844779 10.3389/fonc.2022.844779 35646628 PMC9132127 Bertamini L, Bertuglia G, Oliva S. Beyond Clinical Trials in Patients With Multiple Myeloma: A Critical Review of Real-World Results. Front Oncol. 2022;12:844779. 10.3389/fonc.2022.844779. 35646628 10.3389/fonc.2022.844779 PMC9132127
8. Dima D Jiang D Singh DJ Hasipek M Shah HS Ullah F Многочисленные трансляционные методы лечения мультиплексной миеломы: возникающие тенденции и вызовы Cancers 2022 14 4082 10.3390/cancers14174082 36077618 PMC9454959 Дима Д., Цзян Д., Сингх ДЖ, Хасипек М., Шах ХС, Уллах Ф., и др. Многочисленные трансляционные методы лечения мультиплексной миеломы: возникающие тенденции и вызовы. Cancers. 2022;14:4082. 10.3390/cancers14174082. 36077618 10.3390/cancers14174082 PMC9454959
9. Павлен П. Дэвайес ФЕ. К направлению персонализированного лечения мультиплексной миеломы на основе молекулярных характеристик Blood 2019 133 660 75 10.1182/blood-2018-09-825331 30587529 PMC6384187 Павлен П., Дэвайес ФЕ. К направлению персонализированного лечения мультиплексной миеломы на основе молекулярных характеристик. Blood. 2019;133:660–75. 10.1182/blood-2018-09-825331. 30587529 10.1182/blood-2018-09-825331 PMC6384187
10. Cazaubiel T Mulas O Montes L Schavgoulidze A Avet-Loiseau H Corre J Риск и адаптированное лечение в множественной миеломе Cancers 2020 12 3497 10.3390/cancers12123497 33255368 PMC7760158 Cazaubiel T, Mulas O, Montes L, Schavgoulidze A, Avet-Loiseau H, Corre J, et al. Риск и адаптированное лечение в множественной миеломе. Cancers. 2020;12:3497. 10.3390/cancers12123497. 33255368 10.3390/cancers12123497 PMC7760158
Полный текст источника
https://creativecommons.org/licenses/by/4.0/ Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/ .
Multiple myeloma (MM) is a blood cancer disease characterized by periods of remission and progression influenced by numerous factors [ 1 ]. Current approaches of MM therapy are based on balancing the expected efficacy and toxicity of treatment to prolong duration and improve patients’ quality of life. However, methods for determining an optimal treatment strategy are imperfect [ 2 ]. Not all clinical recommendations are feasible in different healthcare settings. In this scenario, physicians tend to continue using their own experience and empirical approaches. Any recommendations require constant updating, though the pace of updating cannot keep up with changing therapeutic landscapes in MM [ 3 ].
Advancements in therapy over the past 30 years have greatly improved our ability to treat MM [ 4 ]. Despite the dozen options available, it can be challenging to directly compare all these treatment regimens due to the cost and time needed for additional clinical trials [ 2 , 5 ].
The unpredictable nature of the disease’s course allows us to view myeloma as a multidimensional random process. In such a model, biological, immunological, cytogenetic, and other characteristics of the tumor and the patient’s body act as measurable parameters [ 1 , 6 ]. The response to treatment is also probabilistic and influenced by many factors, making it challenging to predict effectiveness and to choose the optimal treatment. The process of treating a patient is extremely indeterministic, meaning a variety of scenarios for the disease course and response to treatment are possible [ 7 , 8 ]. Usually, we react to the occurrence of a particular scenario without predicting it in advance. However, prediction is possible with varying degrees of probability, depending on our actions at the previous stage. For example, depending on the treatment we prescribe, the list of scenarios for the disease’s further development for a given patient. By increasing the likelihood of favorable scenarios, the overall effectiveness of therapy can be improved.
The problem of choosing optimal therapy for a patient with MM in current clinical practice is challenging, particularly in the relapsed setting because of the number of options available and the large number of variables that affect the choice of therapy. We can maximize the likelihood of favorable outcome by choosing the best available therapy. An urgent goal therefore is to develop a system that can be used in clinical practice, to identify the most appropriate options that should be considered for each patient. Such a system should examine the variety of existing therapeutic options utilizing available data, updated regularly, and easy to use for clinicians. It should list the most appropriate treatment options along with the published response and outcome data for each of them. We present a proposed web-based tool for selecting the most effective MM therapy that fulfils the goals listed above. This tool was developed by a team of experts from The Blokhin National Medical Research Center of Oncology of the Russian Ministry of Health, combining advanced computational methods with clinical expertise to ensure its relevance and reliability.
The web app is available at https://oncotriage.com/ . It allows for the search and indirect comparison of treatment options in MM, and is presented here as an example, and not meant to be recommendations for therapy or medical advice. Users can input patient-specific information through a user-friendly interface. Following the tools output, the user gets a list of recommended treatment options ranked according to their predicted efficacy. The proposed approach considers all available data, including clinical studies and real-world evidence, in modeling the integral indicator of treatment response.
The information on treatment options and their efficiency (very good partial response rate or better (VGPR + ), progressive-free survival and minimal residual disease) used in the web app database are obtained manually from scientific medical publications indexed in the US National Library of Medicine’s MEDLINE database since 2003. Data from proceedings from the American Society of Clinical Oncology, European Hematology Association, and American Society of Hematology conferences are also incorporated. At present, the web app considers data from a total of 67,257 MM patients, including 167 therapeutic options from 384 different studies. All therapeutic approaches were marked according to indications for use: the line of therapy (1st, 2nd, 3rd or higher), the MM cytogenetic risk (high or standard), t(11;14) (to consider indications for BCL2 inhibitors), stem cell transplantation eligibility, frailty status (fit/unfit) and significant renal failure (creatinine clearance <40 mL/min/1.73 m2). Also, all studies marked by type (randomized clinical trials (RCT), single-arm clinical trials (CT), real-world evidence (RWE)) and other settings. Whenever new articles are published, the app’s database is manually updated in real-time.
The web app uses Monte Carlo simulation to calculate estimates of treatment efficacy. The method models the studied process mathematically using random variable generators. This method calculates a priori probabilities of VGPR+ with confidence intervals (CI) using the collected publications database. It sequentially models VGPR+ probability on random samples obtained by resampling from originally enrolled studies. To further support interpretation and analysis, the platform incorporates a retrieval-augmented generation (RAG)-enabled large language model (RAG-LLM). This addition allows for dynamic referencing of external knowledge to interpret simulation outcomes and analyze abstracted data from scientific literature, including toxicity profiles. This hybrid approach maximizes the reliability and clinical utility of treatment recommendations for patients with multiple myeloma (MM).
To illustrate the Monte Carlo simulation method used by the web app for producing efficacy estimates and to generate a rough ranking, here we present results for two representative treatment options across different lines of therapy: VRd (bortezomib/lenalidomide/dexamethasone) as 1 st line therapy and cilta-cel (ciltacabtagene autoleucel) as 3 rd or higher line therapy.
Based on the Monte Carlo simulation using 18 reference clinical studies (RCT – 10, CT – 1, RWE – 7) and including 4,929 total patients, the estimated VGPR+ probability for VRd as first-line therapy is 0.69 (95%CI: 0.677–0.702), see Fig. 1 . For cilta-cel in third-line or higher use, the VGPR+ probability was estimated to be 0.83 (95%CI: 0.804–0.871) based on 5 studies (RCT - 3, CT - 1, RWE - 1) with 445 patients in total, see Fig. 2 . Fig. 1 Monte Carlo simulation of VGPR+ in patients with MM using VRd as 1 st line of therapy. Fig. 2 Monte Carlo simulation of VGPR+ in patients with MM using Cilta-cel as 3 rd or higher line of therapy.
These results demonstrate the simulation model’s ability to incorporate published evidence on diverse regimens and reliably estimate treatment-specific VGPR+ probabilities while accounting for heterogeneity between studies. Because uncertainty intervals are inversely proportional to the size of the patient sample, clinical trials with small numbers of patients may provide less reliable estimates of the probability of response to treatment.
Today hematologists are concerned with the development of risk-adapted, response-adapted and personalized treatment approaches for MM [ 9 , 10 ]. One of the major challenges in choosing the most effective treatment option for MM is the large number of patient- and disease-related variables that must be considered, as well as the extremely wide variety of therapeutic options. Another problem is the lack of strict consensus regarding the optimal option for a particular clinical profile of a patient. The number of disease scenarios for a single patient, in the context of various treatment methods, can range from tens to hundreds. To date, there are no uniform rules or algorithms that allow for choosing the optimal scenario among them.
The web app we propose is a possible solution for choosing the optimal treatment regimen in MM based on the most important variables that need to be taken into consideration when making that determination. It also incorporates generative AI with retrieval-augmented generation (RAG) capabilities to enhance the interpretation of results and analyze external data, such as toxicity profiles and regional treatment availability. This integration ensures that the recommendations are grounded in both real-world evidence and up-to-date literature.
We also think it could be combined with ongoing efforts that list available treatments in each country so that the output can be tailored based on which treatments are feasible. Finally, it may serve as the backbone bone for future where the ranking could get real time adjustment based on input from myeloma experts.
Our basic evaluation shows that the web app’s output align with current clinical guidelines for MM therapy, while also incorporating new treatment options based on real-world data and the latest clinical trials. However, for final conclusions, and for clinical use we need comparative studies.
Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.
Change history
3/13/2025
The original online version of this article was revised: In this article the Funding section has been updated.
Change history
3/13/2025
A Correction to this paper has been published: 10.1038/s41408-025-01249-1
Author contributions
Dr. Luchinin A.S.: data collection, analysis, visualization and interpretation of results. Preparation of the initial manuscript draft. Dr. Semenova A.A.: literature review, final editing of the manuscript for submission. Dr. Gevorkyan T.G.: conceptualization of the research, methodology design, and critical revision of the manuscript. All authors have read and approved the final version of the manuscript and agree to be accountable for all aspects of the work.
Funding
This research has been financially supported by The Analytical Centre for the Government of the Russian Federation (Agreement No. 70-2024-000121 dd 29.03.2024. IGK 000000D730324P540002). Dr. Semenova reports no financial conflicts related to the submitted work. Dr. Gevorkyan reports no financial conflicts related to the submitted work. Dr. Luchinin reports no financial conflicts related to the submitted work.
Data availability
This is an editorial. There is no new data generated for this manuscript, and data sharing is not applicable.
Competing interests
Dr. Semenova, Dr. Gevorkyan and Dr. Luchinin report no conflicts of interest related to the submitted work.
References
1. Cowan AJ Green DJ Kwok M Lee S Coffey D Holmberg L Diagnosis and Management of Multiple Myeloma: A Review JAMA 2022 327 464 77 10.1001/jama.2022.0003 35103762 Cowan AJ, Green DJ, Kwok M, Lee S, Coffey D, Holmberg L, et al. Diagnosis and Management of Multiple Myeloma: A Review. JAMA. 2022;327:464–77. 10.1001/jama.2022.0003. 35103762 10.1001/jama.2022.0003
2. Mateos M-V Ludwig H Bazarbachi A Beksac M Bladé J Boccadoro M Insights on Multiple Myeloma Treatment Strategies HemaSphere 2019 3 e163 10.1097/HS9.0000000000000163 31723802 PMC6745941 Mateos M-V, Ludwig H, Bazarbachi A, Beksac M, Bladé J, Boccadoro M, et al. Insights on Multiple Myeloma Treatment Strategies. HemaSphere. 2019;3:e163 10.1097/HS9.0000000000000163. 31723802 10.1097/HS9.0000000000000163 PMC6745941
3. Kumar SK Callander NS Adekola K Anderson L Baljevic M Baz R Multiple Myeloma, Version 2.2024, NCCN Clinical Practice Guidelines in Oncology J Natl Compr Cancer Netw: JNCCN 2023 21 1281 301 10.6004/jnccn.2023.0061 38081133 Kumar SK, Callander NS, Adekola K, Anderson L, Baljevic M, Baz R, et al. Multiple Myeloma, Version 2.2024, NCCN Clinical Practice Guidelines in Oncology. J Natl Compr Cancer Netw: JNCCN. 2023;21:1281–301. 10.6004/jnccn.2023.0061. 38081133 10.6004/jnccn.2023.0061
4. Chacon A Leleu X Bobin A 30 Years of Improved Survival in Non-Transplant-Eligible Newly Diagnosed Multiple Myeloma Cancers 2023 15 1929 10.3390/cancers15071929 37046589 PMC10093071 Chacon A, Leleu X, Bobin A. 30 Years of Improved Survival in Non-Transplant-Eligible Newly Diagnosed Multiple Myeloma. Cancers. 2023;15:1929. 10.3390/cancers15071929. 37046589 10.3390/cancers15071929 PMC10093071
5. Braunlin M Belani R Buchanan J Wheeling T Kim K Trends in the multiple myeloma treatment landscape and survival: a U.S. analysis using 2011-2019 oncology clinic electronic health record data Leuk Lymphoma 2021 62 377 86 10.1080/10428194.2020.1827253 33026271 Braunlin M, Belani R, Buchanan J, Wheeling T, Kim K. Trends in the multiple myeloma treatment landscape and survival: a U.S. analysis using 2011-2019 oncology clinic electronic health record data. Leuk Lymphoma. 2021;62:377–86. 10.1080/10428194.2020.1827253. 33026271 10.1080/10428194.2020.1827253
6. Rees MJ Kumar S High-risk multiple myeloma: Redefining genetic, clinical, and functional high-risk disease in the era of molecular medicine and immunotherapy Am J Hematol 2024 10.1002/ajh.27327 38613829 Rees MJ, Kumar S. High-risk multiple myeloma: Redefining genetic, clinical, and functional high-risk disease in the era of molecular medicine and immunotherapy. Am J Hematol. 2024. 10.1002/ajh.27327. 38613829 10.1002/ajh.27327
7. Bertamini L Bertuglia G Oliva S Beyond Clinical Trials in Patients With Multiple Myeloma: A Critical Review of Real-World Results Front Oncol 2022 12 844779 10.3389/fonc.2022.844779 35646628 PMC9132127 Bertamini L, Bertuglia G, Oliva S. Beyond Clinical Trials in Patients With Multiple Myeloma: A Critical Review of Real-World Results. Front Oncol. 2022;12:844779. 10.3389/fonc.2022.844779. 35646628 10.3389/fonc.2022.844779 PMC9132127
8. Dima D Jiang D Singh DJ Hasipek M Shah HS Ullah F Multiple Myeloma Therapy: Emerging Trends and Challenges Cancers 2022 14 4082 10.3390/cancers14174082 36077618 PMC9454959 Dima D, Jiang D, Singh DJ, Hasipek M, Shah HS, Ullah F, et al. Multiple Myeloma Therapy: Emerging Trends and Challenges. Cancers. 2022;14:4082. 10.3390/cancers14174082. 36077618 10.3390/cancers14174082 PMC9454959
9. Pawlyn C Davies FE Toward personalized treatment in multiple myeloma based on molecular characteristics Blood 2019 133 660 75 10.1182/blood-2018-09-825331 30587529 PMC6384187 Pawlyn C, Davies FE. Toward personalized treatment in multiple myeloma based on molecular characteristics. Blood. 2019;133:660–75. 10.1182/blood-2018-09-825331. 30587529 10.1182/blood-2018-09-825331 PMC6384187
10. Cazaubiel T Mulas O Montes L Schavgoulidze A Avet-Loiseau H Corre J Risk and Response-Adapted Treatment in Multiple Myeloma Cancers 2020 12 3497 10.3390/cancers12123497 33255368 PMC7760158 Cazaubiel T, Mulas O, Montes L, Schavgoulidze A, Avet-Loiseau H, Corre J, et al. Risk and Response-Adapted Treatment in Multiple Myeloma. Cancers. 2020;12:3497. 10.3390/cancers12123497. 33255368 10.3390/cancers12123497 PMC7760158
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.