Measuring persistence to hormonal therapy in patients with breast cancer: accounting for temporary treatment discontinuation
Notice bibliographique
Résumé
PURPOSE: Several studies have been conducted to estimate persistence to hormonal therapy among women with breast cancer (BC). Most studies focus on first treatment discontinuation. Patients, however, can have numerous periods of treatment discontinuation or treatment exposure. Our objective is to estimate persistence to tamoxifen in patients with BC while accounting for temporary treatment discontinuations and this by using multi-state (MS) models. METHODS: A cohort of 10,806 women with BC having received at least one prescription of tamoxifen between 1998 and 2008 was constituted from the UK General Practice Research Database. We fitted a semi-Markov model with three states to estimate the probability of being off treatment over a 5-year period while accounting for temporary treatment discontinuations (transition between on treatment and off treatment) and competing risks (recurrence of BC or death). RESULTS: Non-persistence, as estimated from the MS model, ranged from 12.1% (95% confidence interval [95%CI]: 9.2-15.1) at 1 year to 14.9% (95%CI: 11.7-18.1) at 5 years. Estimations of non-persistence based on the Kaplan-Meier model were higher, i.e., 29.3% (95%CI: 28.1-30.6) at 5 years, as well as those obtained from a competing risk model, i.e., 24.0% (95%CI: 22.9-25.1). Most temporary discontinuations (94.7%) lasted less than 6 months. Temporary treatment discontinuations are frequent and should be accounted for when measuring adherence to treatment. MS models can provide a useful framework for this sort of analysis insofar as they help describe patients' complex behavior. This may help tailor interventions that improve persistence to hormonal therapy among women with BC.
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) | 0,000 | 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) | 0,000 | 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 ».