The Number Needed to Treat for All-Cause Medication Discontinuation in the Treatment of Schizophrenia: Consistency Across World Geographies and Study Designs
Notice bibliographique
Résumé
INTRODUCTION: The number needed to treat (NNT) for all-cause medication discontinuation in large, industry-sponsored, non-randomized, observational studies conducted across world geographies was compared with NNTs from CATIE, an 18-month, NIMH-sponsored, randomized study. METHODS: NNTs (with 95% confidence intervals) were calculated using data from 3 large Lilly-sponsored, non-randomized, observational studies (EU-SOHO, IC-SOHO, and US-SCAP, n=20 957). Group differences at medication initiation were adjusted by Cox regression modeling. These NNTs were compared with published NNTs for CATIE (phase 1). RESULTS: NNTs for olanzapine vs. risperidone and for olanzapine vs. quetiapine were similar across the observational studies and similar to those of CATIE. The NNTs for olanzapine vs. oral typical antipsychotics were similar across the observational studies but demonstrated a somewhat stronger effect size than the NNT reported for olanzapine vs. perphenazine in CATIE. DISCUSSION: NNTs for all-cause treatment discontinuation (a proxy measure of a medication's effectiveness from patients' and clinicians' perspectives) appear to be consistent across study designs (non-interventional, observational vs. RCT), study sponsorship (industry vs. independent), and across world geographies, suggesting that antipsychotics differ in this measure.
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 | 0,299 | 0,341 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,011 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».